数值积分

数值积分 (Numerical Integration) 指用数值方法近似计算定积分的一类算法，亦称"数值求积"。当被积函数的原函数不易用初等函数显式表达（如 $\int e^{-x^2}dx$）、被积函数仅以离散数据点形式给出、或解析积分过于复杂时，数值积分成为获取定量结果的核心手段。数值积分在科学计算与工程仿真中具有基础性地位，广泛应用于概率统计、物理模拟、金融定价和信号处理等领域。

1. 基本原理

数值积分的基本思想是在积分区间上构造被积函数的近似替代函数——通常为多项式或分段多项式——并对替代函数精确积分。这一思路源于定积分的几何意义：求曲线下方的面积。所有数值求积公式可统一表示为加权和形式：$\int_a^b f(x)dx \approx \sum_{i=0}^{n} w_i f(x_i)$，其中 $x_i$ 为求积节点，$w_i$ 为对应权重。不同的节点选取与权重分配策略构成了不同类别的方法。核心衡量指标包括：代数精度（公式对多少次多项式精确成立）、收敛速度（随节点增加误差减小的速率）和数值稳定性（舍入误差的传播特性）。

2. 牛顿-柯特斯公式

牛顿-柯特斯公式是最直观的一类方法，在区间 $[a,b]$ 上取 $n+1$ 个等距节点，构造 $n$ 次拉格朗日插值多项式替代被积函数并积分。

梯形法则（$n=1$）：$\int_a^b f(x)dx \approx \frac{b-a}{2}[f(a)+f(b)]$，几何意义是用直线代替曲线下区域。截断误差为 $-\frac{(b-a)^3}{12}f''(\xi)$，代数精度为1。

辛普森法则（$n=2$）：$\int_a^b f(x)dx \approx \frac{b-a}{6}[f(a)+4f(\frac{a+b}{2})+f(b)]$，几何意义是用抛物线近似曲线。截断误差 $-\frac{(b-a)^5}{2880}f^{(4)}(\xi)$，代数精度为3——虽基于二次插值却对三次多项式也精确成立，这一超收敛源于对称节点导致的误差抵消。辛普森法则是实际计算中最常用的牛顿-柯特斯公式之一。

高阶公式：$n \geq 8$ 时求积系数正负交替，舍入误差大幅放大；同时高次插值产生龙格振荡。故实际极少使用高阶公式。

3. 复合求积法

克服高阶公式不稳定的有效策略：将区间划分为若干子区间，在每个子区间上应用低阶公式后求和。以复合辛普森法则为例：将 $[a,b]$ 等分为 $2m$ 个子区间，步长 $h=(b-a)/(2m)$，则 $\int_a^b f(x)dx \approx \frac{h}{3}[f(a)+4\sum_{i=1}^{m}f(a+(2i-1)h)+2\sum_{i=1}^{m-1}f(a+2ih)+f(b)]$。复合梯形法误差 $O(h^2)$，复合辛普森法误差 $O(h^4)$。步长减半可系统估计误差，衍生出龙贝格积分法——基于梯形序列外推，大幅提升收敛阶。

4. 高斯求积法

高斯求积法代表了给定节点数下的最优策略：同时优化节点位置 $x_i$ 和权重 $w_i$，使 $n+1$ 个节点的公式达到 $2n+1$ 的代数精度。关键思想：选取节点为正交多项式的根。高斯-勒让德求积最为经典，用于区间 $[-1,1]$，节点为勒让德多项式零点，一般区间可通过线性变换映射。光滑函数下呈指数收敛 $O(c^{-n})$，远快于等距公式。其他变体包括高斯-拉盖尔求积（半无穷区间，权函数 $e^{-x}$）和高斯-埃尔米特求积（无穷区间，权函数 $e^{-x^2}$）。

5. 自适应与蒙特卡洛方法

自适应积分自动在函数变化剧烈区域加密节点、平缓区域稀疏化，平衡精度与效率。对于高维积分（$d \gg 1$），传统网格法面临维数灾难：节点数随维度指数增长。蒙特卡洛方法通过随机采样规避这一困难，收敛速度 $O(1/\sqrt{N})$ 与维度无关。改进技术包括重要性采样和拟蒙特卡洛方法（使用低差异序列，收敛速度 $O((\log N)^d/N)$）。

6. 误差控制

截断误差源于多项式近似与原函数的偏离，可通过泰勒展开和积分中值定理估计。舍入误差在节点密集时不可忽视，现代数值库采用补偿求和降低累加误差，并内置多层级容差检验。选择适切方法比盲目追求高阶公式或极细网格更为重要——这是科学计算实践者的基本功。