数值积分与微分

数值积分与微分是数值分析的核心内容，研究如何利用离散采样点上的函数值近似计算定积分和导数。大量实际问题无法通过解析方法精确求解：被积函数无初等原函数，导数表达式过于复杂，或仅有离散实验数据而无显式表达式。例如气象预报中大气运动方程组的积分必须依靠数值方法，金融衍生品定价中 Black–Scholes 模型的期望值计算也离不开数值积分。数值积分本质是求和运算，对舍入误差有平滑作用；数值微分涉及相近数相减，对舍入误差极为敏感。理解这一差异是正确选用数值方法的关键。

1. 数值积分

数值积分（又称求积，quadrature）用有限个节点处函数值的加权和逼近定积分：$\int_a^b f(x)\,dx \approx \sum_{i=0}^{n} w_i f(x_i)$。核心在于节点 $x_i$ 与权重 $w_i$ 的选取策略，不同选取方式对应不同精度与适用场景。历史上，数值积分可追溯至古希腊时期的穷竭法，但现代数值求积理论的系统建立始于 Newton 和 Cotes 在 18 世纪的工作。

1.1 牛顿-柯特斯公式

牛顿-柯特斯（Newton–Cotes）公式以等距节点上的 Lagrange 插值多项式近似被积函数后精确积分。最简情形为：梯形法则（$n=1$）用线性插值连接两点，$\int_a^b f(x)dx \approx \frac{b-a}{2}[f(a)+f(b)]$，误差 $O(h^2)$，几何意义是用梯形面积近似曲线下面积，当函数曲率较大时误差显著；辛普森法则（$n=2$）用二次抛物线插值三点，$\int_a^b f(x)dx \approx \frac{b-a}{6}[f(a)+4f(\frac{a+b}{2})+f(b)]$，误差 $O(h^4)$，对不超过三次的多项式精确成立，是工程中最常用的低阶求积公式之一。辛普森法则之所以对三次多项式仍然精确，是因为对称节点上的奇次项积分恰好抵消。此外还有布尔法则（$n=4$），使用五个等距节点，误差 $O(h^6)$，在需要比辛普森法则更高精度时作为低阶替代方案。

高阶牛顿-柯特斯公式（$n \ge 8$）因 Runge 现象和负权重导致数值不稳定，实用中采用复合求积（composite quadrature）：将区间 $[a,b]$ 细分为 $m$ 个等距子区间，各子区间使用低阶公式后求和。复合梯形误差 $O(h^2)$，复合辛普森误差 $O(h^4)$，其中 $h=(b-a)/m$。只需增加 $m$ 即可提高精度，同时避免高阶插值的不稳定性，是工程计算中最常用的策略。

1.2 高斯求积

高斯求积（Gaussian quadrature）通过优化节点位置——取区间上正交多项式的根为节点——并同时求解权重系数，使 $n+1$ 个节点达到 $2n+1$ 次代数精度，在固定节点数下达到理论最高精度。常用类型包括：Gauss–Legendre（区间 $[-1,1]$，最通用，任意区间可通过线性变换映射后使用）；Gauss–Laguerre（$[0,\infty)$，权重 $e^{-x}$，适合含指数衰减因子的积分）；Gauss–Hermite（$(-\infty,\infty)$，权重 $e^{-x^2}$，概率论与量子力学常用）；Gauss–Chebyshev（权重 $1/\sqrt{1-x^2}$，节点和权重有显式闭式表达式）。高斯求积以较少节点达到较高精度，适合光滑函数高精度计算，但节点非等距，自适应灵活性不及复合公式，且当被积函数存在奇异性时可能失效。

1.3 Romberg 积分与自适应求积

Romberg 积分巧妙地将复合梯形法则与 Richardson 外推结合。核心递推式为 $T_{k+1}(h) = \frac{4^k T_k(h/2) - T_k(h)}{4^k - 1}$，每步外推将精度提高两阶，从粗糙梯形序列出发递归生成高精度结果。Romberg 积分在光滑函数上收敛极快，且易于编程实现。该方法的收敛速度依赖于被积函数的可微性——若函数解析光滑，收敛呈指数级；反之则大幅下降。自适应求积（adaptive quadrature）根据函数变化程度自动调节子区间疏密——变化剧烈处加密节点，平坦处减少节点，以最少计算量满足容差要求。现代数值计算库（如 QUADPACK 和 MATLAB 的 integral 函数）普遍采用该策略。

2. 数值微分

有限差分（finite difference）基于函数 $f(x)$ 在 $x$ 附近的 Taylor 展开推导。与数值积分不同，数值微分涉及相近数相减，对舍入误差格外敏感，这是其最核心的实践难题。

2.1 基本差分公式

由 $f(x+h)=f(x)+hf'(x)+\frac{h^2}{2}f''(x)+\frac{h^3}{6}f'''(x)+O(h^4)$ 推导三种基本格式：前向差分 $f'(x)\approx\frac{f(x+h)-f(x)}{h}$，误差 $O(h)$；后向差分 $f'(x)\approx\frac{f(x)-f(x-h)}{h}$，误差同样 $O(h)$；中心差分 $f'(x)\approx\frac{f(x+h)-f(x-h)}{2h}$，误差 $O(h^2)$，利用对称性消去奇次项，精度最高，是实际首选。二阶导数中心差分：$f''(x)\approx\frac{f(x+h)-2f(x)+f(x-h)}{h^2}$，误差 $O(h^2)$。更高阶差分公式可通过 Taylor 展开的线性组合构造，在计算流体力学中广泛使用。

2.2 Richardson 外推

与 Romberg 积分一脉相承：若误差主项为 $O(h^p)$，则对两个不同步长的计算结果加权组合：$D_{\text{改进}}=\frac{2^p D(h/2)-D(h)}{2^p-1}$，可消去主项误差，使精度跃升至 $O(h^{p+1})$ 甚至更高。递归应用可获得极高精度导数近似值，是数值微分中克服低阶格式精度不足的重要技术手段。例如对中心差分进行两次 Richardson 外推后，精度可从 $O(h^2)$ 提升至 $O(h^6)$。

3. 误差分析

数值计算需关注两类误差的此消彼长：截断误差（truncation error）由 Taylor 展开截断引起，随步长 $h$ 减小而减小；舍入误差（round-off error）由浮点数有限精度引起，在 $h$ 过小时因相近数相减被严重放大。二者共同决定了最优步长的存在：一阶中心差分最优步长约 $\sqrt{\varepsilon_{\text{machine}}}\approx10^{-8}$，二阶导数中心差分约 $\varepsilon_{\text{machine}}^{1/4}\approx10^{-4}$。在实际编程中，步长过小将导致计算结果振荡甚至完全失真。自动微分（automatic differentiation）可从根本上规避这一权衡，无需选择步长，通过链式法则逐层累加导数，是机器学习框架中梯度计算的主流方案。

4. 总结

数值积分与微分广泛应用于物理模拟（有限元刚度矩阵组装）、金融工程（期权定价）、机器学习（梯度检验）和贝叶斯统计（后验归一化常数计算）等领域。在图像处理中，数值微分被用于边缘检测（Sobel 算子、Canny 算子），通过计算像素强度梯度识别图像边界。深入理解各类方法的误差机制与稳定性条件是科学计算实践中正确使用数值方法的前提，也是连接数学理论与工程实现的关键桥梁。总体而言，数值积分与微分构成了现代科学计算的重要基石，其理论与方法仍在不断发展之中。