Julia微分方程求解器中时间跨度百分比的监测方法

核心思路：使用回调函数（Callbacks） #

不要在dydt函数内添加打印逻辑——自适应步长求解器会频繁调用dydt，导致输出爆炸。DifferentialEquations.jl提供的回调机制，可以在特定时间点或满足条件时执行自定义逻辑，完美适配进度提示需求。

方法1：预设时间点触发（PresetTimeCallback） #

适合固定百分比间隔的场景，提前计算所有进度节点的时间，到达时触发提示：

using DifferentialEquations

# 定义模拟参数
t_start, t_end = 0.0, 10e4
total_duration = t_end - t_start
# 生成1%到100%的进度时间点（跳过0%）
progress_times = range(t_start, t_end, length=101)[2:end]

# 定义进度回调函数
function progress_notify(u, t, integrator)
    progress_percent = round((t - t_start)/total_duration * 100, digits=1)
    println("完成进度：$progress_percent% | 当前时间：$t")
    return nothing
end

# 创建预设时间回调
progress_cb = PresetTimeCallback(progress_times, progress_notify)

# 定义你的ODE问题（示例）
function dydt(du, u, p, t)
    du[1] = -0.1 * u[1]  # 示例微分方程
end

u0 = [1.0]
prob = ODEProblem(dydt, u0, (t_start, t_end))

# 带回调求解
sol = solve(prob, Tsit5(), callback=progress_cb)

方法2：动态条件触发（DiscreteCallback） #

更灵活，适合自适应步长下避免跳过进度节点的场景，动态跟踪下一个进度目标：

using DifferentialEquations

# 定义进度跟踪器（用mutable struct保存状态）
mutable struct ProgressTracker
    next_target_percent::Float64
    total_duration::Float64
end

# 回调触发条件：当前进度达到下一个目标百分比
function progress_condition(u, t, integrator)
    tracker = integrator.p.progress_tracker
    current_percent = (t - integrator.tspan[1])/tracker.total_duration * 100
    return current_percent >= tracker.next_target_percent
end

# 触发后的动作：打印进度，更新下一个目标
function progress_action!(integrator)
    tracker = integrator.p.progress_tracker
    println("完成进度：$(tracker.next_target_percent)% | 当前时间：$(integrator.t)")
    tracker.next_target_percent += 1.0
    # 进度到100%后停止触发
    if tracker.next_target_percent > 100.0
        remove_callback!(integrator, integrator.callback)
    end
    return nothing
end

# 初始化参数（包含进度跟踪器）
t_start, t_end = 0.0, 10e4
p = (
    # 你的其他模型参数
    model_param=0.1,
    progress_tracker=ProgressTracker(1.0, t_end - t_start)
)

# 创建离散回调
progress_cb = DiscreteCallback(progress_condition, progress_action!)

# 定义ODE问题
function dydt(du, u, p, t)
    du[1] = -p.model_param * u[1]
end

u0 = [1.0]
prob = ODEProblem(dydt, u0, (t_start, t_end), p)

# 求解
sol = solve(prob, Tsit5(), callback=progress_cb)

方法3：美观进度条（搭配ProgressMeter.jl） #

如果不想打印大量文本，可以用ProgressMeter.jl生成动态进度条，更整洁：

using DifferentialEquations, ProgressMeter

t_start, t_end = 0.0, 10e4
total_duration = t_end - t_start

# 初始化进度条
progress_bar = Progress(100, "模拟进行中：")

# 进度更新函数
function update_progress!(integrator)
    current_percent = (integrator.t - t_start)/total_duration * 100
    update!(progress_bar, round(Int, current_percent))
    return nothing
end

# 用PeriodicCallback定期更新（比如每100时间单位更新一次）
progress_cb = PeriodicCallback(update_progress!, 100.0)

# 定义并求解问题
function dydt(du, u, p, t)
    du[1] = -0.1 * u[1]
end

u0 = [1.0]
prob = ODEProblem(dydt, u0, (t_start, t_end))
sol = solve(prob, Tsit5(), callback=progress_cb)

关键优势 #

• 避免dydt函数内的冗余输出：回调仅在满足条件时执行，不会随求解器的内部调用频繁触发
• 适配自适应步长：无论是固定时间点还是动态条件，都能准确跟踪进度
• 可扩展性：回调逻辑可以轻松修改，比如写入日志、保存中间结果等

内容的提问来源于stack exchange，提问作者Prometeu