你能给出一个自适应步长scipy.integrate.LSODA函数的简单例子吗？

scipy.integrate.LSODA函数是一个用于求解常微分方程组的函数，它可以自适应地调整步长以保证数值解的精度和稳定性。下面是一个简单的例子：

import numpy as np
from scipy.integrate import LSODA

def func(t, y, p):
    # 定义常微分方程组的函数
    dydt = np.zeros_like(y)
    dydt[0] = -p * y[0]  # 示例方程为 dy/dt = -p * y
    return dydt

# 设置初始条件和参数
y0 = np.array([1.0])
p = 0.5

# 创建 LSODA 求解器对象
solver = LSODA(func, t0=0.0, y0=y0, args=(p,))

# 设置求解器的参数
solver.set_initial_step(0.1)  # 初始步长
solver.set_f_params(p)  # 传递额外的参数给函数 func

# 求解常微分方程组
t_values = np.linspace(0, 10, 100)  # 时间范围
y_values = np.zeros((len(t_values), len(y0)))  # 存储解的数组
y_values[0] = y0

for i in range(1, len(t_values)):
    solver.integrate(t_values[i])
    y_values[i] = solver.y

# 打印结果
for t, y in zip(t_values, y_values):
    print(f"t = {t:.2f}, y = {y[0]:.4f}")

在这个例子中，我们定义了一个简单的常微分方程 dy/dt = -p * y，使用LSODA函数求解该方程。首先，我们定义了一个函数func来表示常微分方程组的形式，其中t是自变量，y是因变量，p是额外的参数。然后，我们设置了初始条件和参数的值。接下来，我们创建了一个LSODA求解器对象，并设置了求解器的一些参数，如初始步长和传递给函数func的额外参数。最后，我们使用求解器进行求解，并将结果存储在数组y_values中。最后，我们打印出每个时间点的解。

请注意，这个例子只是LSODA函数的简单示例，实际应用中可能需要根据具体问题进行适当的修改和调整。