如何用scipy.integrate.solve_ivp实现交互式ODE仿真？RK45参数是否正确？

一、能否用solve_ivp()实现交互式仿真？ #

不能直接用solve_ivp()实现你需要的交互式迭代仿真。solve_ivp()是面向一次性求解指定时间区间完整轨迹的高层API，它没有暴露可暂停、修改系统状态后继续迭代的实例化接口——其设计目标是批量计算，而非逐步推进的交互式场景。如果强行基于它实现，只能每次调用时计算极短时间步长的结果，这会频繁创建销毁求解器实例，效率低下且无法保留求解器内部的自适应状态（如误差估计信息），远不如直接使用底层RK45类灵活。

二、你使用RK45时的参数设置是否正确？ #

你的参数设置完全适配交互式固定步长仿真的需求：

• t_bound = np.inf：合理，因为你不需要限制仿真总时长，希望可以持续迭代直到主动终止。
• first_step = dt：将初始步长设为你指定的0.1，确保求解器从你期望的步长开始迭代。
• max_step = dt：限制求解器最大步长等于dt，强制求解器每次仅前进0.1的时间，规避自适应步长机制自动放大步长的行为，保证仿真画面按固定时间间隔更新。

需要说明的是，RK45本身是自适应步长求解器，通过将first_step和max_step设为同一值，相当于将其改造为固定步长求解器，这完全符合你的交互式仿真需求。

你的实现代码 #

import numpy as np
import scipy.integrate
import matplotlib.pyplot as plt

r = np.array([1, 0], 'float')
v = np.array([0, 1], 'float')
dt = 0.1

def motion_eq(t, y):
    r, v = y[0:2], y[2:4]
    return np.hstack([v, -r])
motion_solver = scipy.integrate.RK45(motion_eq, 0, np.hstack([r, v]),
    t_bound = np.inf, first_step = dt, max_step = dt)

particle, *_ = plt.plot(*r.T, 'o')
plt.gca().set_aspect(1)
plt.xlim([-2, 2])
plt.ylim([-2, 2])
def update():
    motion_solver.step()
    r = motion_solver.y[0:2]
    particle.set_data(*r.T)
    plt.draw()
timer = plt.gcf().canvas.new_timer(interval = 50)
timer.add_callback(update)
timer.start()

plt.show()

内容的提问来源于stack exchange，提问作者relent95