您会说两种为计算连续体力学编写通用（有限体积、fem、dg）库的方法的优缺点是什么？这就是我现在的看法，所以请提供你自己的经验，不要因为我的事而抨击我:)：
1）C++：
泛型编程、虚函数、重载、速度……：所有可用于构建您想要的任何类型的 OOP 工具
大部分可用的低级库（没有广泛的科学和工程库开发，例如用于 Python 的库）
2) 用于并行计算的 Python + 包装器（pyOpenCL 等）
大量的各种支持库
编写您的想法：实现速度非常快
较慢的执行时间
如果你想编写一个支持各种方法、处理复杂几何和问题的框架，你会选择什么，为什么？
我的目标是两全其美，并在 Python 中编写“用户界面”（即库的用户将调用以描述问题的几何和其他属性的函数框架）以快速获得周转时间，然后用 C++ 编写仿真运行时间。
事实上，我可能会先在 Python 中模拟模拟运行时间，然后用 C++ 代码一块一块地替换它。最终，您可以考虑让您的 Python 代码生成 C++ 源代码，以便在线编译并链接到您的运行时，这样实际模拟根本不需要调用 Python - 只在最后返回结果。这种设置的好处在于它本质上是敏捷的：您从最快和最简单的工作解决方案开始，您会很快发现什么有效，什么无效，一旦您有了喜欢的东西，您就可以开始加快速度。
（这就是Maple 的 ODE/DAE 求解器的工作方式，除了使用 Maple 而不是 Python。完全披露：我为他们工作。）
您还可以将Cython用于您的算法。它本质上是 Python，为一些需要“快速”的变量添加了类型信息。它将 Python 代码转换为 C 代码，随后可以由您喜欢的 C 编译器编译。仔细添加这种类型的信息可以使你的代码比简单的 Python 代码快 150 倍。
我认为这个问题还有更多。首先，开发人员通常会更喜欢他/她熟悉的东西，除非有显着优势（例如在生产力、开发时间和工具方面）。就个人而言，我优先考虑提高生产力（时间通常是最稀缺的资源！），这有利于接近我的经验基础的选择。
也许还需要考虑的是
3) 开发时间
4) 维护
5) 许可问题
6）生产力和乐趣因素（经常被忽视！）
这取决于您的代码是否可以写成：
some_library_specific_type grid;
for t=0 to T do
library_function_1(grid,...);
library_function_2(grid,...);
end
或者更确切地说必须写成这样：
some_home_made_mixture_of_native_types grid;
for t=0 to T do
for all grid elements as g do
some_function(g,...);
library_function(g,...);
end
end
在第一种情况下，选择你最喜欢的代码；在第二种情况下，不要使用任何脚本语言或准备忍受执行时间。