معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Langevin integrator for SDEs with constant drift and diffusion on continuous intervals with circular boundary conditions.

ویژگی	مقدار
سیستم عامل	-
نام فایل	ciles-0.1.0
نام	ciles
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Alex Seeholzer
ایمیل نویسنده	seeholzer@gmail.com
آدرس صفحه اصلی	https://github.com/flinz/ciles
آدرس اینترنتی	https://pypi.org/project/ciles/
مجوز	GPLv2

|Build Status| CILES: Continuous Interval Langevin Equation Simulator ====================================================== Langevin integrator for SDEs with constant drift and diffusion on continuous intervals with circular boundary conditions. CILES is written in Cython and uses GSL for interpolation of drift & diffusion fields, to be able to simulate continuous variables. Description ----------- Given a discretized drift field A(x) and a (position dependent) diffusion coefficient B(x) this tool performs simple time-forward integration of the SDE: :: dx(t)/dt = A(x(t)) + sqrt(B(x(t))) * eta(t) where eta(t) is a gaussian white noise term and x is a variable on an interval with circular boundaries (commonly 0 <= x < 2PI). Both drift field A and diffusion B need to be arrays of the same dimension. They are internally interpolated (using ``gsl_interp_cspline_periodic``) to provide continuous fields, which are then used in the forward integration. Forward integration is performed with the `Euler-Murayama scheme <https://en.wikipedia.org/wiki/Euler%E2%80%93Maruyama_method>`__: x(t+dt) = x(t) + dt \* A(x(t)) + r \* sqrt(dt \* B(x(t))), where r is a normally distributed random number with zero mean and unit variance. Dependencies ------------ - Numpy - Cython - `Cython-gsl <https://github.com/twiecki/CythonGSL>`__ Installation ------------ - Clone repository - ``python setup.py install`` - To test (using ``nosetests``): ``nosetests`` Example use ----------- .. code:: python from ciles.integrator import LangevinIntegrator as LI import numpy as np drift = np.zeros(100) # no drift field diff = np.ones(100) # constant diffusion with 1 deg^2/s dt = 1e-3 # 1 ms timestep tmax = 1. # simulate until 1s # initialize the integrator li = LI(drift, diff, dt=dt, tmax=tmax) # simulate a single trajectory li.run() out = li.out More examples ------------- Below are the plot results of the currently available examples from `ciles.examples <https://github.com/flinz/ciles/blob/master/ciles/examples.py>`__. Final distributions after 2s diffusion ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ See the `source <https://github.com/flinz/ciles/blob/master/ciles/examples.py#L7>`__ |Diffusion for 2 seconds| Trajectories for drift-field with 2 fixed points ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ See the `source <https://github.com/flinz/ciles/blob/master/ciles/examples.py#L37>`__ |Plotting trajectories| .. |Build Status| image:: https://travis-ci.org/flinz/ciles.svg?branch=master :target: https://travis-ci.org/flinz/ciles .. |Diffusion for 2 seconds| image:: https://user-images.githubusercontent.com/97735/33634816-ce92b380-da15-11e7-944c-e704cbe9cfab.png :width: 75 % .. |Plotting trajectories| image:: https://user-images.githubusercontent.com/97735/33634815-ce790f48-da15-11e7-9cd9-1e08fdab9773.png :width: 75 %

نیازمندی

مقدار	نام
-	cython
-	cythongsl
-	numpy

نحوه نصب

نصب پکیج whl ciles-0.1.0:

pip install ciles-0.1.0.whl

نصب پکیج tar.gz ciles-0.1.0:

pip install ciles-0.1.0.tar.gz