我目前正在实施一个小型有限元模拟。使用Python/Numpy,我正在寻找创建全局刚度矩阵的有效方法:
1)我认为从较小的单元刚度矩阵创建稀疏矩阵应该使用coo_matrix()
。但是,我可以扩展现有的coo_matrix
,还是应该从最终的i、j和v列表创建它?在
2)目前,我正在从较小的单元刚度矩阵创建i和j列表,使用列表理解并连接它们。有没有更好的方法来创建这些列表?在
3)数据向量的创建:同样的问题是,python列表比numpy向量更受欢迎吗?在
4)我当然愿意听取任何建议:)。谢谢您!在
以下是一个小例子,说明我目前计划召开全球大会,以明确我的意图:
import numpy as np
from scipy.sparse import coo_matrix
#2 nodes, 3 dof per node
locations = [0, 6]
nNodes = 2
dof =3
totSize = nNodes * dof
Ke = np.array([[1,1,1, 2,2,2],
[1,1,1, 2,2,2],
[1,1,1, 2,2,2],
[2,2,2, 3,3,3],
[2,2,2, 3,3,3],
[2,2,2, 3,3,3]])
I = []
J = []
#generate rowwise i and j lists:
i = [ idx + u for i in range(totSize) for idx in locations for u in range(dof) ]
j = [ idx + u for idx in locations for u in range(dof) for i in range(totSize) ]
I += i
J += J
Data = Ke.flatten()
cMatrix = coo_matrix( (Data, (i,j)), )
在这篇文章中,我将集中讨论与创建列表
i
、j
和最后的矩阵cMatrix
有关的性能问题。在在这些循环/列表理解下,基本上是执行}的元素级加法。移植到NumPy,我们可以在那里利用^{} 。最后,为了在这些理解中再次模拟
locations
和{range(totSize)
,我们可以用np.tile
得到最终的加法结果。我们将使用它作为它的展平版本来索引稀疏矩阵的列,并将它作为行的转置平坦版本。在因此,实现将如下所示-
相关问题 更多 >
编程相关推荐