关于SciPy odeint实现变步长积分及逐次输出结果的技术问询

我明白你想要的是分段积分+实时写入文件的方案，尤其是针对长时间尺度的ODE问题——既想控制积分的精细度，又不想一次性计算所有结果占用过多内存，还能随时把新数据存下来。下面就用你提到的僵尸模型为例，一步步给你实现思路和代码：

咱们不用一次性把0到500的时间全丢给odeint，而是把整个时间轴拆成一个个小的积分区间：

• 每次只积分一个小步长（比如你说的“每次生成1个样本”，对应步长dt=1）
• 以上一次积分的终点状态作为下一次的初始条件
• 每完成一次小积分，立刻把当前时间和状态写入文件，再更新时间和初始状态，进入下一轮循环

先定义僵尸传播的微分方程（这里用经典的SIR变种，S是易感者，Z是僵尸，R是移除者）：

import numpy as np
from scipy.integrate import odeint

def zombie_model(y, t, beta, alpha, gamma):
    # y = [S, Z, R]
    S, Z, R = y
    dSdt = -beta * S * Z
    dZdt = beta * S * Z - alpha * S * Z - gamma * Z
    dRdt = alpha * S * Z + gamma * Z
    return [dSdt, dZdt, dRdt]

接下来是分段积分+实时写文件的主逻辑：

# 初始化参数
y0 = [999, 1, 0]  # 初始状态：999个易感者，1个僵尸，0个移除者
params = (0.001, 0.0005, 0.01)  # beta, alpha, gamma
total_time = 500  # 总积分时间
dt = 1  # 每次积分的步长，对应1个样本
current_time = 0  # 当前起始时间
current_state = y0.copy()

# 打开文件准备写入（用csv格式方便后续分析）
with open('zombie_time_series.csv', 'w') as f:
    # 先写入表头
    f.write('Time,Susceptible,Zombie,Removed\n')
    # 先写入初始状态
    f.write(f'{current_time},{current_state[0]},{current_state[1]},{current_state[2]}\n')
    
    # 循环分段积分
    while current_time < total_time:
        # 定义本次积分的时间区间：从current_time到current_time+dt
        t_span = [current_time, current_time + dt]
        # 积分：只需要取区间的终点结果（[-1]）
        next_state = odeint(zombie_model, current_state, t_span, args=params)[-1]
        # 更新时间
        current_time += dt
        # 写入当前时间和状态
        f.write(f'{current_time},{next_state[0]:.4f},{next_state[1]:.4f},{next_state[2]:.4f}\n')
        # 更新当前状态，作为下一次积分的初始条件
        current_state = next_state
        
        # 可选：打印进度，方便长时间积分时观察
        if current_time % 50 == 0:
            print(f'已完成积分到时间点：{current_time}')

• 内存友好：每次只保留当前状态和下一个状态，不会存储整个500步的时间序列，就算积分到数千年也不会有内存压力
• 数据安全：每一步都实时写入文件，就算程序中途意外中断，已经计算的数据也不会丢失
• 精度控制：如果需要更精细的积分精度，可以给odeint传入rtol和atol参数（比如odeint(..., rtol=1e-8, atol=1e-10)），确保小步长积分的准确性
• 灵活调整：如果后续需要动态调整步长（比如状态变化快时用更小的dt，变化慢时用更大的dt），只需要在循环里修改dt的值即可，不用改动整体框架

内容的提问来源于stack exchange，提问作者Coshin