KNOWECON WIKI

ARTICLE

高斯求积

高斯求积 (Gaussian Quadrature) 高斯求积 (Gaussian Quadrature) 是一种高精度的数值积分方法，其核心思想是通过精心选择积分节点 (nodes) 和权重 (weights)，使得在节点数相同的情况下达到最高的代数精度。与等距节点方法（如牛顿-科茨公式）不同，高斯求积允许节点在积分区间内自由分布，从而将节点和权重一并作为

浏览 4 更新 2026-01-17

高斯求积 (Gaussian Quadrature)

高斯求积 (Gaussian Quadrature) 是一种高精度的数值积分方法，其核心思想是通过精心选择积分节点 (nodes) 和权重 (weights)，使得在节点数相同的情况下达到最高的代数精度。与等距节点方法（如牛顿-科茨公式）不同，高斯求积允许节点在积分区间内自由分布，从而将节点和权重一并作为优化变量。

基本概念与数学形式

考虑区间 [−1,1][-1, 1] 上的定积分：

∫−11f(x) dx≈∑i=1nwif(xi)\int_{-1}^{1} f(x) \, dx \approx \sum_{i=1}^{n} w_i f(x_i)

其中 {xi}i=1n\{x_i\}_{i=1}^n 为积分节点，{wi}i=1n\{w_i\}_{i=1}^n 为对应权重。一个 nn 点高斯求积公式的核心性质是：它能够精确积分所有次数不超过 2n−12n-1 的多项式。这意味着一共 2n2n 个自由参数（nn 个节点 + nn 个权重）恰好利用了所有自由度达到最高的代数精度。

正交多项式与节点选取

高斯求积的节点并非任意选取，而是对应于区间上某种权函数 ω(x)>0\omega(x) > 0 下的正交多项式的零点。一般形式为：

∫abω(x)f(x) dx≈∑i=1nwif(xi)\int_{a}^{b} \omega(x) f(x) \, dx \approx \sum_{i=1}^{n} w_i f(x_i)

令 {pk(x)}k=0∞\{p_k(x)\}_{k=0}^{\infty} 为关于权函数 ω(x)\omega(x) 在 [a,b][a, b] 上的正交多项式族，满足：

∫abω(x)pi(x)pj(x) dx=0,i≠j\int_{a}^{b} \omega(x) p_i(x) p_j(x) \, dx = 0, \quad i \neq j

则 nn 点高斯求积的节点 {xi}\{x_i\} 为 pn(x)p_n(x) 的 nn 个零点。权重通过求解线性方程组或利用正交多项式的关系式确定。

这一选择的深层逻辑：若 f(x)f(x) 是一个次数不超过 2n−12n-1 的多项式，则可以用多项式长除法写为：

f(x)=q(x)pn(x)+r(x)f(x) = q(x) p_n(x) + r(x)

其中 q(x)q(x) 和 r(x)r(x) 的次数均不超过 n−1n-1。由于 pn(x)p_n(x) 与所有低于 nn 次的多项式正交，∫ωqpn=0\int \omega q p_n = 0，因此积分仅取决于余项 r(x)r(x)。而 r(x)r(x) 在 nn 个节点上的插值可以精确恢复其积分值——这就是高斯求积达到 2n−12n-1 次代数精度的本质原因。

常见高斯求积公式

不同的权函数和积分区间对应不同名称的高斯求积公式：

  1. 高斯-勒让德求积 (Gauss-Legendre)：ω(x)=1\omega(x) = 1，区间 [−1,1][-1, 1]。节点为勒让德多项式的零点，是最常用的形式。对于任意有限区间 [a,b][a, b]，可通过线性变换 x=b−a2t+a+b2x = \frac{b-a}{2}t + \frac{a+b}{2} 转化。
  2. 高斯-切比雪夫求积 (Gauss-Chebyshev)：ω(x)=1/1−x2\omega(x) = 1/\sqrt{1-x^2}，区间 [−1,1][-1, 1]。节点和权重有解析表达式：xi=cos⁡(2i−12nπ)x_i = \cos\left(\frac{2i-1}{2n}\pi\right)，所有权重相等，wi=π/nw_i = \pi/n。
  3. 高斯-拉盖尔求积 (Gauss-Laguerre)：ω(x)=e−x\omega(x) = e^{-x}，区间 [0,∞)[0, \infty)。适用于包含指数衰减因子的半无限区间积分。
  4. 高斯-埃尔米特求积 (Gauss-Hermite)：ω(x)=e−x2\omega(x) = e^{-x^2}，区间 (−∞,∞)(-\infty, \infty)。节点为埃尔米特多项式的零点，在统计学和计量经济学中广泛用于计算正态分布相关积分。

误差分析

nn 点高斯求积的误差具有如下形式（以高斯-勒让德为例）：

En=∫−11f(x) dx−∑i=1nwif(xi)=22n+1(n!)4(2n+1)[(2n)!]3⋅f(2n)(ξ)(2n)!E_n = \int_{-1}^{1} f(x) \, dx - \sum_{i=1}^{n} w_i f(x_i) = \frac{2^{2n+1}(n!)^4}{(2n+1)[(2n)!]^3} \cdot \frac{f^{(2n)}(\xi)}{(2n)!}

其中 ξ∈(−1,1)\xi \in (-1, 1)。该误差公式揭示两个关键事实：其一，误差取决于被积函数的 2n2n 阶导数，若 ff 足够光滑，收敛速度极快；其二，系数随 nn 增大而急剧衰减，使得高斯求积对于光滑函数的效率远超等距节点方法。

对于带权函数的一般形式，误差公式为：

En=f(2n)(ξ)(2n)!∫abω(x)[pn(x)]2 dxE_n = \frac{f^{(2n)}(\xi)}{(2n)!} \int_{a}^{b} \omega(x) [p_n(x)]^2 \, dx

与牛顿-科茨公式的比较

传统的牛顿-科茨公式（如梯形法则、辛普森法则）使用等距节点，nn 个节点只能达到 n−1n-1 或 nn 次代数精度。相比之下，nn 点高斯求积达到 2n−12n-1 次代数精度，效率大约是前者的两倍。代价是节点位置不规则（多为无理数），且增加节点时需全部重新计算——这一缺点由高斯-克朗罗德求积 (Gauss-Kronrod) 方法通过嵌套节点策略加以缓解。

历史背景

高斯求积法由数学家卡尔·弗里德里希·高斯 (Carl Friedrich Gauss) 于 1814 年在论文《Methodus nova integralium valores per approximationem inveniendi》中首次提出。高斯在研究天体力学中的轨道计算时，面临大量需要高精度数值积分的场景，由此发展出这一方法。其核心洞察——节点不应取等距点而应取正交多项式零点——在当时具有革命性。后来的数学家如雅可比 (Carl Jacobi) 和克里斯托费尔 (Elwin Christoffel) 将其推广到一般权函数的情形，形成了今天的高斯型求积公式族。

经济学与金融学应用

高斯求积在经济学定量研究中有广泛应用：

  1. 随机动态规划：在求解DSGE模型或生命周期模型时，常需对随机冲击做数值积分。高斯-埃尔米特求积可高效离散化正态分布冲击。
  2. 期权定价：在Black-Scholes-Merton模型的风险中性定价框架下，欧式期权价格涉及对对数正态分布的积分，高斯-拉盖尔或高斯-勒让德求积可提供高精度近似。
  3. 离散选择模型：Logit模型和Probit模型的似然函数包含无解析形式的积分。高斯-埃尔米特求积被用于计算面板数据随机效应模型中的积分。
  4. 贝叶斯计量经济学：在马尔可夫链蒙特卡洛 (MCMC) 之外，高斯求积可用于直接逼近后验分布的矩和边际似然。
  5. 项目评估：成本收益分析中期望社会福利的计算常需要对不确定性分布做积分，高斯求积提供了确定性的离散近似方法。

局限性

尽管高斯求积精度很高，但也有局限性：其一，要求被积函数充分光滑，若函数存在间断点或尖峰，精度会急剧下降，此时可采用自适应求积或分段策略；其二，高维积分时，张量积形式的高斯求积面临"维数灾难"——节点数随维数指数增长，此时蒙特卡洛积分或稀疏网格 (sparse grid) 方法更为适用；其三，节点位置大多为无理数，在不支持高精度浮点运算的环境中需特别处理。

延伸概念

高斯求积的思想已延伸出多个变体：高斯-克朗罗德求积在 nn 个高斯节点之间嵌入 n+1n+1 个新节点，复用旧节点以估计误差；高斯-洛巴托求积 (Gauss-Lobatto) 强制包含区间端点，适用于边值问题和有限元方法；高斯-拉道求积 (Gauss-Radau) 包含一个端点，在求解最优控制问题中的哈密顿系统时有用。这些方法共同构成了现代数值积分技术的核心工具箱。