如何使用solve_ivp求解复矩阵微分方程y'=Ay？Scipy新API是否支持该场景？

问题背景 #

你尝试用solve_ivp求解复矩阵微分方程y' = Ay，但现有代码存在一些适配问题，这里明确告诉你：solve_ivp完全支持求解复值微分方程，包括复矩阵形式的问题，只要调整代码中的几个关键细节就能正常运行。

问题分析与修正要点 #

你的代码主要有三个需要调整的地方，我一一拆解说明：

• 导数函数参数顺序：solve_ivp要求导数函数的签名是deriv(t, y, ...)，而非你写的deriv(y, t, A)——时间参数t必须放在最前面，这是它和odeint的核心区别之一。
• 初始条件形状：solve_ivp只接受一维数组作为初始状态，你的3x3矩阵需要先展平，在导数函数里再恢复成矩阵进行计算，最后再展平返回。
• 求解器调用参数：solve_ivp前两个参数是导数函数和时间区间[t0, tf]，需要用t_eval参数指定要输出的具体时间点，而不是直接传入完整的时间数组。

修正后的完整代码 #

import numpy as np
from scipy.integrate import solve_ivp

def deriv(t, y, A):
    # 将一维状态向量重塑为3x3矩阵
    y_mat = y.reshape(A.shape)
    # 计算复矩阵乘法
    dy_mat = np.dot(A, y_mat)
    # 重新展平为一维向量返回
    return dy_mat.ravel()

# 定义复系数矩阵A
A = np.array([[-0.25 + 0.14j, 0, 0.33 + 0.44j],
              [ 0.25 + 0.58j, -0.2 + 0.14j, 0],
              [ 0, 0.2 + 0.4j, -0.1 + 0.97j]])

# 设置时间区间和需要输出的时间点
t_span = (0, 25)
t_eval = np.linspace(0, 25, 101)

# 初始条件：将3x3矩阵展平为一维数组
y0 = np.array([[2, 3, 4], [5, 6 , 7], [9, 34, 78]]).ravel()

# 调用solve_ivp求解
result = solve_ivp(deriv, t_span, y0, args=(A,), t_eval=t_eval)

# 将求解结果恢复为3x3矩阵的形式（每个时间点对应一个矩阵）
y_sol = result.y.reshape(A.shape + (-1,))
# 示例：获取第50个时间点的解矩阵 -> y_sol[:, :, 50]

关键补充说明 #

• 复值原生支持：solve_ivp对复数类型的处理是原生兼容的，不需要额外配置，只要输入的矩阵、初始条件是复数格式，求解器会自动处理相关运算。
• 状态形状转换：把矩阵展平为一维向量是适配solve_ivp的通用技巧，不管是高阶微分方程还是矩阵状态的问题，都可以用这种方式转换。
• 结果解析：result.y的形状是(9, 101)，其中9是状态变量总数，101是时间点个数。通过reshape可以将其转换成(3,3,101)的三维数组，方便后续进行矩阵层面的操作和分析。

内容的提问来源于stack exchange，提问作者Tejas Shetty