当前位置:

首页 > 编程开发 > 如何在数值模拟中按时间步长保存数组状态

如何在数值模拟中按时间步长保存数组状态

本文介绍了在数值模拟中,如何以指定的时间步长间隔保存数组状态,从而有效降低内存占用。通过修改保存状态的逻辑,确保在正确的时间点记录数组数据,并提供代码示例,帮助读者理解和实现这一优化策略,适用于需要长时间模拟但又不想存储所有中间状态的场景。

本文目录

    如何在数值模拟中按时间步长保存数组状态

    第一段引用上面的摘要:本文介绍了在数值模拟中,如何以指定的时间步长间隔保存数组状态,从而有效降低内存占用。通过修改保存状态的逻辑,确保在正确的时间点记录数组数据,并提供代码示例,帮助读者理解和实现这一优化策略,适用于需要长时间模拟但又不想存储所有中间状态的场景。

    在进行长时间的数值模拟时,例如行星轨道模拟、分子动力学模拟等,存储每个时间步长的状态数据(例如位置、速度)可能会导致内存占用过大,甚至超出可用内存。为了解决这个问题,可以只保存每隔一定时间步长的状态数据,从而在一定程度上降低内存需求,同时仍然能够获得足够的信息来分析模拟结果。

    优化数组状态保存策略

    问题的核心在于理解保存状态的时机。在原始代码中,counter 变量用于跟踪时间步数,并在 counter 达到 intervals 的倍数时保存状态。然而,counter 的更新发生在状态更新之前,导致保存的是下一个时间步的状态,而此时该状态尚未被计算出来,因此是零。

    要解决这个问题,有以下几种方法:

    1. 保存 pos[:, counter] 而不是 pos[:, t]: 因为 counter 实际反映的是上一个时间步的状态,所以应该保存 pos[:, counter]。

    2. 调整 if 条件: 将 if counter % intervals == 0 改为 if t % intervals == 1,因为 t 从 1 开始计数。

    3. 调整 t 的更新顺序: 在保存状态之后再更新 t 的值。

    以下代码展示了第一种解决方案的实现:

    import numpy as np
    import matplotlib.pyplot as plt
    from mpl_toolkits.mplot3d import Axes3D
    
    # Constants
    M_Sun = 1.989e30 #Solar Mass
    G = 6.67430e-11  # m^3 kg^(-1) s^(-2)
    yr = 365 * 24 * 60 * 60 #1 year in seconds
    
    # Number of particles
    num_particles = 8
    
    # Initial conditions for the particles (m and m/s)
    initial_pos = np.array([
        [57.9e9, 0, 0], #Mercury
        [108.2e9, 0, 0], #Venus
        [149.6e9, 0, 0], #Earth
        [228e9, 0, 0], #Mars
        [778.5e9, 0, 0], #Jupiter
        [1432e9, 0, 0], #Saturn
        [2867e9, 0, 0], #Uranus
        [4515e9, 0, 0] #Neptune
    ])
    
    initial_vel = np.array([
        [0, 47400, 0],
        [0, 35000, 0],
        [0, 29800, 0],
        [0, 24100, 0],
        [0, 13100, 0],
        [0, 9700, 0],
        [0, 6800, 0],
        [0, 5400, 0]
    ])
    
    # Steps
    t_end = 0.004 * yr #Total time of integration
    dt_constant = 0.1
    intervals = 10000 #Number of outputs of pos and vel to be saved
    
    
    # Arrays to store pos and vel
    pos = np.zeros((num_particles, int(t_end), 3))
    vel = np.zeros((num_particles, int(t_end), 3))
    
    # Leapfrog Integration (2nd Order)
    pos[:, 0] = initial_pos
    vel[:, 0] = initial_vel
    saved_pos = []
    saved_vel = []
    
    
    t = 1
    counter = 0
    
    while t < int(t_end):
        r = np.linalg.norm(pos[:, t - 1], axis=1)
        acc = -G * M_Sun / r[:, np.newaxis]**3 * pos[:, t - 1] #np.newaxis for broadcasting with pos[:, i-1]
    
        # Calculate the time step for the current particle
        current_dt = dt_constant * np.sqrt(np.linalg.norm(pos[:, t - 1], axis=1)**3 / (G * M_Sun))
        min_dt = np.min(current_dt)  # Use the minimum time step for all particles
    
        half_vel = vel[:, t - 1] + 0.5 * acc * min_dt
        pos[:, t] = pos[:, t - 1] + half_vel * min_dt
    
        # Recalculate acceleration with the new position
        r = np.linalg.norm(pos[:, t], axis=1)
        acc = -G * M_Sun / r[:, np.newaxis]**3 * pos[:, t] #np.newaxis for broadcasting with pos[:, i-1]
        vel[:, t] = half_vel + 0.5 * acc * min_dt
    
        t += 1
        counter += 1
    
        # Save the pos and vel here
        if counter % intervals == 0:
            saved_pos.append(pos[:,counter].copy()) # 修改这里
            saved_vel.append(vel[:,counter].copy()) # 修改这里
    
    saved_pos = np.array(saved_pos)
    saved_vel = np.array(saved_vel)
    
    # Orbit Plot
    fig = plt.figure(figsize=(8, 8))
    ax = fig.add_subplot(111, projection='3d')
    
    ax.scatter(0, 0, 0, color='yellow', marker='o', s=50, label='Sun')
    
    for particle in range(num_particles):
        x_particle = pos[particle, :, 0]
        y_particle = pos[particle, :, 1]
        z_particle = pos[particle, :, 2]
        ax.plot(x_particle, y_particle, z_particle, label=f'Particle {particle + 1} Orbit (km)')
    
    ax.set_xlabel('X (km)')
    ax.set_ylabel('Y (km)')
    ax.set_zlabel('Z (km)')
    ax.legend(loc='upper right', bbox_to_anchor=(1.1, 1.1))
    ax.set_title('Orbits of Planets around Sun (km)')
    plt.show()

    将 saved_pos.append(pos[:,t].copy()) 和 saved_vel.append(vel[:,t].copy()) 分别修改为 saved_pos.append(pos[:,counter].copy()) 和 saved_vel.append(vel[:,counter].copy()),确保保存的是正确时间步的状态。

    使用文件存储代替数组

    除了修改保存状态的逻辑,还可以考虑使用文件存储代替数组来保存状态数据。这种方法可以进一步降低内存占用,特别是当模拟时间很长时。以下代码展示了如何将位置和速度数据写入文件:

    import numpy as np
    
    # 假设 pos 和 vel 是当前时间步的位置和速度数组
    # intervals 是保存间隔
    
    def save_state_to_file(pos, vel, filename_pos, filename_vel):
        """将位置和速度数据追加到文件中。"""
        with open(filename_pos, 'a') as f_pos, open(filename_vel, 'a') as f_vel:
            np.savetxt(f_pos, pos.reshape(1, -1))  # 将 pos 展平为一行
            np.savetxt(f_vel, vel.reshape(1, -1))  # 将 vel 展平为一行
    
    # 模拟循环内
    if counter % intervals == 0:
        save_state_to_file(pos[:, t], vel[:, t], 'pos_data.txt', 'vel_data.txt')

    在这个例子中,save_state_to_file 函数将位置和速度数据追加到指定的文件中。np.savetxt 函数用于将数组数据写入文件,pos.reshape(1, -1) 和 vel.reshape(1, -1) 将多维数组展平为一维数组,以便于写入文件。

    注意:

    • 使用文件存储时,需要注意文件的打开和关闭,以避免资源泄漏。可以使用 with open(...) as f: 语句来自动管理文件的打开和关闭。
    • 使用文件存储时,读取数据时需要重新将数据reshape为正确的维度。

    总结

    通过优化数组状态保存策略,可以有效降低数值模拟的内存占用。选择哪种方法取决于具体的应用场景和需求。如果只需要保存少量状态数据,修改保存逻辑可能更简单。如果需要保存大量状态数据,使用文件存储可能更合适。在实际应用中,可以结合使用这些方法,以达到最佳的性能和内存利用率。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    QQ影音怎么加速播放视频课程
    QQ影音怎么加速播放视频课程

    播放时右键选播放速度,或点控制条倍速,1.25 到 1.5 倍看课最舒服;公式代码类内容别超过 1.25 倍。

    企业微信创建企业提示失败怎么办 实名与填写检查
    企业微信创建企业提示失败怎么办 实名与填写检查

    先看提示属于哪类:名称占用就加后缀,实名不一致就重填本人信息,证件不清晰就重拍。统一社会信用代码逐位核对,连续三次失败别改材料重投,直接联系客服人工核。

    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?
    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?

    说明源码提交对字符串、生成器和数组的识别边界,以及扫描命令与发行包核验限制。

    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?
    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?

    0.170.0 的语音更新限于终端通话协商能力的明确新增,同名工具服务器跨环境支持仍标注实验性质;连接部分则修复大请求回退、认证竞态和云端重连等具体问题。这份正式版公告不足以证明所有账户、所有客户端都已具备完整语音功能。

    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?
    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?

    了解Hy4 flash、FP8与base的适用任务,阅读官方安装及图文代码,并核对资源和MaaS许可条件。

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化
    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化。说明已核实的更新范围、类型兼容性和本地版本确认方法。

    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?
    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?

    OpenAI Java SDK 4.108.0 面向 Live MCP 工具接入与 Managed Agents 预算状态处理,说明新增模型、事件含义、正式发布范围和适用限制。

    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?
    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?

    Free Claude Code 6.19.37 在自动搜索时保留客户端工具及选择条件,代理执行搜索后仍返回普通调用。说明适用场景、历史信息保留、请求约束与第三方项目的版本边界。

    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?
    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?

    Google GenAI Go SDK 1.78.0 将 Gemini Developer API 默认改为 v1,可用 HTTPOptions.APIVersion 或环境变量保留 v1beta,Vertex AI 默认值不变。

    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?
    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?

    解释实验性实时支持、环境检查与生产评估中需要验证的条件。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。