配置Julia微分方程求解工具DifferentialEquations环境

配置Julia微分方程求解工具DifferentialEquations环境

安装Julia和依赖库

  1. 首先,要先下载julia,然后安装即可。下载的地址为julia官网
    安装过程可能等待时间较长
  2. 打开julia终端,配置国内源参考。 安装依赖库:
using Pkg
Pkg.add("DifferentialEquations")
Pkg.add("DiffEqBase")
Pkg.add("PyCall")
using DifferentialEquations
using PyCall

安装Plots依赖库

如果前面安装依赖库等待时间还可以忍受,那么在安装Plots依赖时就让人完全抓狂。
按照官方安装方法

Pkg.add("Plots")

或者

]add Plots

会发现卡死在

julia> Pkg.build("GR")
   Building GR → `C:\Users\Hawee\.julia\packages\GR\Atztx\deps\build.log`

参考:Julia安装Plots报错(build GR卡死)
Plots.jl依赖后端GR,而GR是用C写的;默认的GR下载地址是Github,而这个包大概有70M,算下来下载需要7000s也就是接近2小时,这还是乐观估计因为Julia的默认下载器并没有断点续传,一断就得重来。如此反复,直接build GR就会失败。
解决方法是:

  1. 使用下载工具(或镜像、浏览器梯子、etc)在gl官网下载gr-0.50.0-Windows-x86_64.tar.gz 文件(版本可能不同,反正选对应的那个)替换~\.julia\packages\GR\*\deps\downloads\下同名文件
  2. 注释掉C:\Users\Hawee\.julia\packages\GR\Atztx\deps\build.jl其中的一些代码
    version = get_version()
    tarball = "gr-$version-$os-$arch.tar.gz"
    # rm("downloads", force=true, recursive=true)
    # @info("Downloading pre-compiled GR $version $os binary")
    # mkpath("downloads")
    # file = "downloads/$tarball"
    # if version != "latest"
    #     ok = try_download("https://github.com/sciapp/gr/releases/download/v$version/$tarball", file)
    # else
    #     ok = false
    # end
    # if !ok
    #     if !try_download("https://gr-framework.org/downloads/$tarball", file)
    #         @info("Using insecure connection")
    #         if !try_download("http://gr-framework.org/downloads/$tarball", file)
    #             @info("Cannot download GR run-time")
    #         end
    #     end
    # end
    if os == :Windows
        home = Sys.BINDIR
        if VERSION > v"1.3.0-"
            home =  joinpath(Sys.BINDIR, "..", "libexec")
        end
        success(`$home/7z x downloads/$tarball -y`)
        rm("downloads/$tarball")
        tarball = tarball[1:end-3]
        success(`$home/7z x $tarball -y -ttar`)
        rm(tarball)
    else
        run(`tar xzf downloads/$tarball`)
        rm("downloads/$tarball")
    end
  1. 重新以管理员权限启动Julia(重要!非管理员会失败),输入
]build GR

Jupyter Notebook 中添加 Julia核心

ENV["JUPYTER"]="..\\anaconda3\\envs\\..\\Scripts\\jupyter-notebook.exe"
]add IJulia
build IJulia

测试

运行Jupyter Notebook,已经正常添加Julia核心。

在这里插入图片描述
测试DifferentialEquations和Plots成功
在这里插入图片描述
在这里插入图片描述

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Julia 是一种功能强大的计算机编程语言,适用于科学计算和数据分析。在 Julia 中,可以使用许多库和函数来解决偏微分方程。 首先,Julia 中有一些用于数值解偏微分方程的库,如DifferentialEquations.jl和PartialDifferentialEquations.jl。这些库提供了许多常用的数值方法,例如有限差分、有限元、有限体积等,用于求解偏微分方程。 对于一阶偏微分方程,可以使用DifferentialEquations.jl库中的`@ode`宏来求解。该宏使用常微分方程的数值解算法来求解偏微分方程。用户可以通过定义方程的初始条件和边界条件,以及选择适当的求解方法,来获得偏微分方程的数值解。 对于二阶及以上的偏微分方程,可以使用PartialDifferentialEquations.jl库提供的函数来求解。该库提供了一些常用的数值方法,如有限差分方法和有限元方法,以及一些高级的方法如多重网格方法和自适应方法。用户可以根据具体的偏微分方程类型选择合适的方法,并通过定义边界条件和初始条件来求解。 此外,Julia 还支持符号计算。用户可以使用SymPy.jl库来进行符号计算,从而得到偏微分方程的解析解。通过定义方程和边界条件,然后使用符号计算的函数,可以在 Julia 中获得偏微分方程的解析解。 综上所述,Julia 提供了丰富的库和函数来解决偏微分方程。用户可以根据具体的问题选择合适的方法,并利用 Julia 的高效计算能力获得可靠的数值解或解析解。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值