为何scipy.odeint在t数组步长不同时会产生定性差异结果？

问题背景 #

我正在研究奇怪吸引子，当前聚焦于Duffing吸引子（一种二维奇怪吸引子）。其解轨迹会在x正负方向形成环路，我尤其关注它在两者间切换的混沌序列，可通过绘制轨迹x值随时间的变化分析。

重现代码 #

import numpy as np
from scipy.integrate import odeint

a = 0.35
b = 0.3
w = 1

def dX_dt(X, t):
    return np.array([
        X[1],
        X[0] - (X[0]**3) - a*X[1] + b*np.cos(w*t)
    ])

tstepmax = 5000
tmax = 1000
tmin = 0
t1 = np.linspace(tmin, tmax + tmin, tstepmax)
X1 = odeint(dX_dt, [0, 0], t1)

遇到的问题 #

我尝试将tstepmax设为50000和500000，惊讶发现较短时间后产生了定性不同的轨迹（三条轨迹叠加后差异明显）。我原以为t1只是绘图评估点，求解方法会自行确定内部步长，却没想到步长变化导致轨迹完全不同。请问原因是什么？哪一个是“真实”轨迹？如何可靠获取？

原因分析 #

1. 混沌系统的本质特性：Duffing吸引子是典型的混沌系统，对初值和数值误差具有极端敏感性——哪怕是计算中极其微小的误差，随着时间演化都会被指数级放大，最终导致轨迹彻底分道扬镳。
2. odeint的步长控制逻辑：你对t1的作用理解有误，odeint并非完全独立于输出点设置内部步长。当输出点密度极高时（比如500000个），求解器会被迫调整步长策略，可能引入不同的误差累积路径；而较疏的输出点下，内部步长更大，误差累积的方式也不同，两者的误差经过混沌放大后就出现了定性差异。
3. 默认误差容忍度不足：odeint默认的rtol（相对误差）和atol（绝对误差）参数是通用设置，对于混沌系统的长期演化来说精度不够，不同输出密度下的误差累积程度差异被进一步放大。

关于“真实”轨迹 #

没有绝对“真实”的数值轨迹，只有更接近真实解的近似。混沌系统的长期演化本身就对初始条件和数值误差敏感，任何数值方法都无法完全消除误差，只能尽可能缩小误差范围，得到足够可靠的近似轨迹。

可靠获取轨迹的方法 #

• 严格控制误差精度：调用odeint时手动设置更小的误差容忍度，强制求解器采用更高精度的步长控制，减少误差累积：

  X1 = odeint(dX_dt, [0, 0], t1, rtol=1e-10, atol=1e-12)
  

• 改用高阶自适应求解器：推荐使用scipy.integrate.solve_ivp，它对步长控制的透明度更高，支持DOP853这类高阶自适应方法，更适合混沌系统的长期积分：

  from scipy.integrate import solve_ivp
  
  sol = solve_ivp(dX_dt, [tmin, tmax], [0, 0], t_eval=t1, method='DOP853', rtol=1e-10, atol=1e-12)
  X1 = sol.y.T
  

• 验证轨迹收敛性：对比不同误差容忍度、不同求解器得到的轨迹，当进一步缩小误差容忍度后，轨迹不再出现定性变化，此时的轨迹即可认为是足够可靠的近似。
• 丢弃初始暂态：混沌系统的初始阶段可能还未进入吸引子，建议先积分一段时间（比如前100个时间单位），丢弃这部分轨迹，只保留进入吸引子后的稳定演化部分，减少初始条件的影响。

内容的提问来源于stack exchange，提问作者Ted Lorance