当方程数量增加时，SciPy 的Integrate.odeint() 是否有任何理由变得不那么精确？我正在尝试解决这两组微分方程：

$\frac{dy_1}{dx} = x^2$ — (1)

$\frac{dy_2}{dx} = x^3$

和，

$\frac{dy_1}{dx} = x^2$ — (2)

由于 (1) 中的两个方程是解耦的，因此应该是相同的。我在以下代码段中实现了这两个：$y_1$

import numpy as np
from scipy.integrate import odeint

def f(y, x):
    return [x**2, x**3]

def g(y, x):
    return x**2

a = odeint(f, [0.0, 0.0], np.arange(0, 5, 0.0001))
b = odeint(g, 0.0, np.arange(0, 5, 0.0001))

print a[-1][0], b[-1][0], abs(a[-1][0] - b[-1][0])

运行上面的代码给了我：

41.6641667161 41.6641667354 1.93298319573e-08

这里的差异似乎非常微不足道。但是在方程数量变大的情况下（例如在李雅普诺夫指数计算中），它似乎会导致显着差异。

这里会发生什么？

更新：就像@horchler 解释的那样，使用numpy.linspace而不是numpy.arange确实增加了最终值的准确性，但是两个答案之间的差异是相同的顺序：

41.6666666618 41.6666666811 1.93298248519e-08