假设在平面内有一带电粒子q，质量为m。空间内存在匀强磁场B，方向垂直于平面向内即沿z轴负半轴，以及一个沿y轴负半轴的重力场。带电粒子从磁场内O点释放。

则可直接列出粒子的运动方程

将这个方程分解成x和y两个方向

联立即可求得该方程组的解。

一、sympy中的dsolve方法
#导入
from sympy import *
import numpy as np
import matplotlib.pyplot as plt
init_printing()
首先声明符号x,y,q,m,B,g

#参量
q,m,B,t,g = symbols('q m B t g',real=True,nonzero=True,positive=True)
#函数
x,y = symbols('x y',real=True,nonzero=True,positive=True,cls=Function)
再将微分方程表示出来

eq1 = Eq(x(t).diff(t,t),-qBy(t).diff(t)/m)
eq2 = Eq(y(t).diff(t,t),-g+qBx(t).diff(t)/m)
sol = dsolve([eq1,eq2])
现在打印出sol(用jupyter notebook效果更好)

sol

很明显，这个式子非常冗杂，用trigsimp()方法化简

x = trigsimp(sol[0].rhs)
y = trigsimp(sol[1].rhs)
x,y

然后，可以将里面的积分常数算出

#定义积分变量，避免报错
var('C1 C2 C3 C4')
#x(0)=0
e1 = Eq(x.subs({t:0}),0)
#x'(0)=0,要将subs放在diff后面
e2 = Eq(x.diff(t).subs({t:0}),0)
#y(0)=0
e3 = Eq(y.subs({t:0}),0)
#y'(0)=0
e4 = Eq(y.diff(t).subs({t:0}),0)
l = solve([e1,e2,e3,e4],[C1,C2,C3,C4])
l

紧接着，将积分常量替换到x和y里面,我们就得到了解的最终形式

x = x.subs(l)
y = y.subs(l)
x,y

当然，这个解还可以写成这种形式

用plt画图来看看

ts = np.linspace(0,15,1000)
consts = {q:1,B:1,g:9.8,m:1}
fx = lambdify(t,x.subs(consts),'numpy')
fy = lambdify(t,y.subs(consts),'numpy')
plt.plot(fx(ts),fy(ts))
plt.grid()
plt.show()

但是sympy有一个缺点，当微分方程很复杂时，它会直接罢工。

于是另一个新的方法替我们解决了这个问题

二、scipy.integrate中的odeint方法
#导入
import numpy as np
from scipy.integrate import odeint
import matplotlib.pyplot as plt
import matplotlib.animation as animation
from math import e

我们首先要创建一个函数，使它可以表示这个微分方程。

对于这个函数应该具备怎样的形式，先从一阶微分方程开始

比如说，我们要求解下面这个方程

它的解通过一些简单的分离变量即得

下面用odeint来解出它，令y(1)=1

#一阶
def f(x,y):
#将一阶导数用y和x构成的函数来表示
dydx = -y/x
return dydx
#初始条件
y0 = 1
#初值条件是在自变量x的下限取到。如y(1)就要生成一个从1开始的范围
x = np.linspace(1,5,100)
plt.xlim(0,5)
plt.ylim(0,5)
#odeint(）方法,tfirst属性指的是函数f的第一个参数是自变量
sol = odeint(f,y0,x,tfirst=True)
plt.plot(x,sol[:,0])
plt.grid()
plt.show()

同理，对于下面的一阶微分方程组

此时我们设向量u=(x,y) （列向量），方程组化为

其实对于任意的一阶微分方程，都可以写成这样的形式

f的含义就是

此时微分方程就可以化为

而f(t,u)正是我们要找的那个函数

odeint中支持向量输入,因此，可以这样构造这个函数

def f(t,u):
#x1,x2...xn = u
x,y = u
#dx1dt=...,dx2dt=...,dxndt=...
dxdt = 3x-xy
dydt = 2*x-y+e**t
#dudt = [dx1dt,dx2dt,...dxndt]
dudt = [dxdt,dydt]
return dudt
#x1(0)=...,x2(0)=...,xn(0)=...
u0=[0,0]
t = np.linspace(0,10,100)
sol = odeint(f,u0,t,tfirst=True)
因此，对于二阶常微分方程

我们首先把这个方程化解成这样的形式

此时这是一个关于dy/dx和y的一个微分方程组

令u=(y,dy/dx),我们有

def f(x,u):
y,dydx = u
d2ydx2 = np.exp(x)-4dydx-4y
dudx = [dydx,d2ydx2]
return dudx
u0=[0,0]
x = np.linspace(0,10,100)
sol = odeint(f,u0,x,tfirst=True)
对于更高阶的微分方程也是同样处理

此时我们在回过头来看最初的问题，可以轻松的得到

def f(t,r,k,g):
#k = Bq/m
x,y,dxdt,dydt = r
d2xdt2 = -kdydt
d2tdt2 = -g + k*dxdt
return [dxdt,dydt,d2xdt2,d2ydt2]
定义一些常量

t = np.linspace(0,15,1000)
k = 1
g = 9.8
使用odeint方法

r0 = [0,0,0,0]
sol = odeint(f,r0,t,tfirst = True,args=(k,g))
将图像画出

plt.plot(sol[:,0],sol[:,1])
plt.grid()
plt.show()

odeint解这个方程也十分精确，与sympy相差无几。

最后我们还可以让他实现动画效果

def update_points(num):
point_ani.set_data(s[:,0][num], s[:,1][num])
return point_ani,
plt.xlabel('X')
plt.ylabel('Y')
fig,ax = plt.subplots()
plt.plot(s[:,0],s[:,1])
point_ani, = plt.plot(s[:,0][0], s[:,1][0], "ro")
plt.grid(ls="--")

生成动画

ani = animation.FuncAnimation(fig, update_points,range(1, len(t)), interval=5, blit=True)
plt.show()