数值积分

定积分的定义

简单来说，函数 在区间 上的定积分 指的是 在区间 中与 轴围成的区域的面积（其中 轴上方的部分为正值， 轴下方的部分为负值）。

很多情况下，我们需要高效，准确地求出一个积分的近似值。下面介绍的 辛普森法，就是这样一种求数值积分的方法。

辛普森法

这个方法的思想是将被积区间分为若干小段，每段套用二次函数的积分公式进行计算。

二次函数积分公式（辛普森公式）

对于一个二次函数 ，有：

推导过程： 对于一个二次函数 ； 求积分可得 在这里 D 是一个常数，那么

根据这个辛普森公式，我们先介绍一种普通的辛普森积分法。

普通辛普森法

1743 年，这种方法发表于托马斯·辛普森的一篇论文中。

描述

给定一个自然数 ，将区间 分成 个等长的区间 。

我们就可以计算每个小区间 ， 的积分值，将所有区间的积分值相加即为总积分。

对于 ， 的一个区间，选其中的三个点 就可以构成一条抛物线从而得到一个函数 ，这个函数存在且唯一。计算原函数在该区间的积分值就变成了计算新的二次函数 在该段区间的积分值。这样我们就可以利用辛普森公式来近似计算它。

将其分段求和即可得到如下结论：

误差

我们直接给出结论，普通辛普森法的误差为：

其中 是位于区间 的某个值。

实现

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
// C++ Version
const int N = 1000 * 1000;

double simpson_integration(double a, double b) {
  double h = (b - a) / N;
  double s = f(a) + f(b);
  for (int i = 1; i <= N - 1; ++i) {
    double x = a + h * i;
    s += f(x) * ((i & 1) ? 4 : 2);
  }
  s *= h / 3;
  return s;
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
# Python Version
N = 1000 * 1000

def simpson_integration(a, b):
    h = (b - a) / N
    s = f(a) + f(b)
    for i in range(1, N):
        x = a + h * i
        if i & 1:
            s = s + f(x) * 4
        else:
            s = s + f(x) * 2
    s = s * (h / 3)
    return s

自适应辛普森法

普通的方法为保证精度在时间方面无疑会受到 的限制，我们应该找一种更加合适的方法。

现在唯一的问题就是如何进行分段。如果段数少了计算误差就大，段数多了时间效率又会低。我们需要找到一个准确度和效率的平衡点。

我们这样考虑：假如有一段图像已经很接近二次函数的话，直接带入公式求积分，得到的值精度就很高了，不需要再继续分割这一段了。

于是我们有了这样一种分割方法：每次判断当前段和二次函数的相似程度，如果足够相似的话就直接代入公式计算，否则将当前段分割成左右两段递归求解。

现在就剩下一个问题了：如果判断每一段和二次函数是否相似？

我们把当前段直接代入公式求积分，再将当前段从中点分割成两段，把这两段再直接代入公式求积分。如果当前段的积分和分割成两段后的积分之和相差很小的话，就可以认为当前段和二次函数很相似了，不用再递归分割了。

上面就是自适应辛普森法的思想。在分治判断的时候，除了判断精度是否正确，一般还要强制执行最少的迭代次数。

参考代码如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
// C++ Version
double simpson(double l, double r) {
  double mid = (l + r) / 2;
  return (r - l) * (f(l) + 4 * f(mid) + f(r)) / 6;  // 辛普森公式
}

double asr(double l, double r, double eqs, double ans, int step) {
  double mid = (l + r) / 2;
  double fl = simpson(l, mid), fr = simpson(mid, r);
  if (abs(fl + fr - ans) <= 15 * eqs && step < 0)
    return fl + fr + (fl + fr - ans) / 15;  // 足够相似的话就直接返回
  return asr(l, mid, eqs / 2, fl, step - 1) +
         asr(mid, r, eqs / 2, fr, step - 1);  // 否则分割成两段递归求解
}

double calc(double l, double r, double eps) {
  return asr(l, r, eps, simpson(l, r), 12);
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
# Python Version
def simpson(l, r):
    mid = (l + r) / 2
    return (r - l) * (f(l) + 4 * f(mid) + f(r)) / 6 # 辛普森公式
def asr(l, r, eqs, ans, step):
    mid = (l + r) / 2
    fl = simpson(l, mid); fr = simpson(mid, r)
    if abs(fl + fr - ans) <= 15 * eqs and step < 0:
        return fl + fr + (fl + fr - ans) / 15 # 足够相似的话就直接返回
    return asr(l, mid, eqs / 2, fl, step - 1) + \
           asr(mid, r, eqs / 2, fr, step - 1) # 否则分割成两段递归求解
def calc(l, r, eps):
    return asr(l, r, eps, simpson(l, r), 12)

习题

build本页面最近更新：2022/2/13 10:36:07，更新历史
edit发现错误？想一起完善？ 在 GitHub 上编辑此页！
people本页面贡献者：H-J-Granger, Chrogeek, countercurrent-time, Enter-tainer, Great-designer, iamtwz, Ir1d, ksyx, NachtgeistW, ShaoChenHeng, StudyingFather, SukkaW, zyj-111
copyright本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用

评论