JuliaCall更新：R软件包的自动Julia安装

一些偷偷摸摸的凉爽功能使它成为JuliaCall v0.17.2 CRAN版本。在最新版本中，现在具有用于自动安装Julia的install_julia函数。这使Julia成为R包的出色高性能后端。例如，以下是即使未安装Julia仍可以使用的diffeqr软件包示例：

install.packages（＆＃34; diffeqr＆＃34;） 库（diffeqr） de＆lt;-diffeqr :: diffeq_setup（） 洛伦兹＆lt;-函数（u，p，t）{ du1 = p [1] *（u [2] -u [1]） du2 = u [1] *（p [2] -u [3]）-u [2] du3 = u [1] * u [2]-p [3] * u [3] c（du1，du2，du3） } u0＆lt;-c（1.0,1.0,1.0） tspan＆lt;-c（0.0,100.0） p＆lt;-c（10.0,28.0,8 / 3） 概率＆lt;-de $ ODEProblem（lorenz，u0，tspan，p） fastprob＆lt;-diffeqr :: jitoptimize_ode（de，prob） 溶胶＆lt;-de $ solve（fastprob，de $ Tsit5（），saveat = 0.01）

在后台，它使用了DifferentialEquations.jl包和SciML堆栈，但是从用户那里抽象出来的东西太多了，Julia实际上是Rcpp的替代品，具有更容易的交互开发。以下示例确实将无缝集成带回家：

install.packages（diffeqr） 库（diffeqr） de＆lt;-diffeqr :: diffeq_setup（） degpu＆lt;-diffeqr :: diffeqgpu_setup（） 洛伦兹＆lt;-函数（u，p，t）{ du1 = p [1] *（u [2] -u [1]） du2 = u [1] *（p [2] -u [3]）-u [2] du3 = u [1] * u [2]-p [3] * u [3] c（du1，du2，du3） } u0＆lt;-c（1.0,1.0,1.0） tspan＆lt;-c（0.0,100.0） p＆lt;-c（10.0,28.0,8 / 3） 概率＆lt;-de $ ODEProblem（lorenz，u0，tspan，p） fastprob＆lt;-diffeqr :: jitoptimize_ode（de，prob） prob_func＆lt;-函数（prob，i，rep）{ de $ remake（prob，u0 = runif（3）* u0，p = runif（3）* p） } ensembleprob = de $ EnsembleProblem（fastprob，prob_func = prob_func，safetycopy = FALSE） 溶胶＆lt;-de $ solve（ensembleprob，de $ Tsit5（），degpu $ EnsembleGPUArray（），轨迹= 10000，saveat = 0.01）

多么复杂的代码！好吧，也许知道diffeqr包的源代码只有150行代码会感到震惊。当然，它由后端的许多Julia魔术驱动，因此下一个软件包也可以。有关更多详细信息，请参见有关使用Julia进行R中的微分方程求解的重要文章。