数值分析(11)-数值积分

整理一下数值分析的笔记~
目录：

1. 误差

2. 多项式插值与样条插值

3. 函数逼近

4. 数值积分与数值微分(THIS)

5. 线性方程组的直接解法

6. 线性方程组的迭代解法

7. 非线性方程求根

8. 特征值和特征向量的计算

9. 常微分方程初值问题的数值解

---

1. 基本概念

定义1：若求积公式：${\int }_a^{b}f(x)dx\approx {\sum }_{k=0}^n{A}_{k}f(x_k)$对于$f(x)=x^j(j=0,1,2...,m)$都精确成立，但对$f(x)=-x^{m+1}$不精确成立，则称该求积公式具有m次代数精度。

例：确定形如${\int }_0^{3}f(x)dx\approx A_{0}f(0)+A_{1}f(1)+A_{2}f(2)$的求积公式。

解：令公式对$f(x)=1,x,x^2$都精确成立，则：

$$\begin{gathered} \{\begin{array}{l}{A}_0+A_1+A_2=3\\ A_1+3A_2=\frac{9}{2}\\ A_1+9A_2=9\end{array} \\ 解方程得求积公式，该公式对f(x)=x^2成立 \\ 但对f(x)=x^3不成立，代数精度为2. \end{gathered}$$

插值型求积公式：在积分区间$[a,b]$上取$n+1$个节点$x_i,i=0,1,2,...,n$作$f(x)$的$n$次代数插值多项式(拉格朗日插值公式)：$I_n(x)={\sum }_{j=0}^n{l}_j(x)f(x_j)，有f(x)=L_n(x)+R_n(x)$，其中$R_n(x)=\frac{f^{(}n+1)(\xi )}{(n+1)!}{\omega }_{n+1}(x)$为插值余项，${\omega }_{n+1}(x)={\prod }_{k=0}^n(x-x_k)$，于是有:

$$\begin{gathered} {\int }_a^{b}f(x)dx={\int }_1^b{L}_n(x)dx+{\int }_a^b{R}_n(x)dx \\ =\sum _{j=0}^n\left[{\int }_a^b{l}_j(x)dx\right]f(x_j)+{\int }_a^{b}R(x)dx \end{gathered}$$

取${\int }_a^{b}f(x)dx\approx {\sum }_{k=0}^{n}f(x_k)A_k={\sum }_{k=0}^{n}f(x_k){\int }_a^b{l}_k(x)dx$

$A_k={\int }_a^b{\prod }_{i=0,i!=k}^n\frac{x-x_i}{x_k-x_i}dx$取决于节点，与$f(x)$无关，称为插值型求积公式。

截断误差：

$$\begin{gathered} R[f]={\int }_a^{b}f(x)dx-\sum _{k=0}^n{A}_{k}f(x_k) \\ ={\int }_a^b[f(x)-L_n(x)]dx \\ ={\int }_a^b\frac{f^{n+1}({\xi }_x)}{(n+1)!}\prod _{k=0}^n(x-x_k)dx \end{gathered}$$

2. Newton-Cotes公式

牛顿-科特茨公式指等距节点下使用Lagrange插值多项式建立的数值求积公式。

$$\begin{gathered} I_n(f)=\sum _{k=0}^n{A}_{k}f(x_k)=(b-a)\sum _{k=0}^{n}f(x_k) \\ 其中C_k^{(n)} \\ =\frac{(-1{)}^{n-k}}{n\cdot k!\cdot (n-k)!}{\int }_0^n\prod _{0\le j\le n,j!=k}(t-j)dt \\ 称为Cotes系数只与k和n有关，且满足 \\ {C}_k^{(n)}=C_{n-k}^{(n)}，\sum _{j=0}^n{C}_j^{(n)}=1 \end{gathered}$$

低阶牛顿-科特茨公式及其余项

n=1,2,4时公式最常用，称为低阶公式

• n=1，梯形公式

Cotes系数：

$$\begin{gathered} C_0^{(1)}=-{\int }_0^1(t-1)dt=0.5 \\ {C}_1^{(1)}={\int }_0^{1}tdt=0.5 \end{gathered}$$

求积公式：

$$\begin{gathered} I_1(f)=(b-1)\sum _{k=0}^1{C}_k^{(1)}f(x_k) \\ =\frac{(b-a)}{2}[f(x_0)+f(x_1)] \\ n=1时取x_0=a,x_1=b,h=b-a \\ 记为T=I_1(f) \end{gathered}$$

余项为:

$$\begin{gathered} R(T)=R(I_1)={\int }_a^b{R}_1(x)dx, \\ {R}_n(x)=\frac{f^{(n+1)(\xi )}}{(n+1)!}{\omega }_{n+1}(x) \\ R(T)={\int }_a^b\frac{f^{\prime \prime }(\xi )}{2}(x-a)(x-b)dx \\ =\frac{f^{\prime \prime }(\eta )}{2}{\int }_a^b(x-a)(x-b)dx,\eta \in [a,b] \\ =-\frac{(b-a{)}^3}{12}{f}^{\prime \prime }(\eta ), \\ 有|R(T)|\le \frac{(b-a{)}^3}{2}{M}_2, \\ {M}_2=ma{x}_{x\in [a,b]}|f^{\prime \prime }(x)|, \\ 梯形公式具有一阶代数精度。 \end{gathered}$$

• n=2，Simpson公式/三点公式/抛物线公式

Cotes系数

$$\begin{gathered} C_0^{(2)}=\frac{1}{4}{\int }_0^2(t-1)(t-2)dt=\frac{1}{6} \\ {C}_1^{(2)}=\frac{-1}{2}{\int }_0^{2}t(t-2)dt=\frac{4}{6} \\ {C}_2^{(2)}=\frac{1}{4}{\int }_0^2(t-1)tdt=\frac{1}{6} \end{gathered}$$

求积公式：

$$\begin{gathered} I_2(f)=(b-a)\sum _{k=0}^2{C}_k^{(2)}f(x_k) \\ =(b-a)[\frac{1}{6}f(x_0)+\frac{4}{6}f(x_1)+\frac{1}{6}f(x_2)], \\ n=2时取 \\ {x}_0=a,x_1=\frac{b+a}{2},x_2=b,h=\frac{b-a}{2} \\ 记为S=I_2(f) \end{gathered}$$

余项：

$$\begin{gathered} R(S)=R(I_2)={\int }_a^b{R}_2(x)dx \\ =-\frac{b-a}{180}{\left(\frac{b-a}{2}\right)}^4{f}^{(4)}(\eta )\le \frac{(b-a{)}^5}{2880}{M}_4 \\ 其中M_4=ma{x}_{x\in [a,b]}|f^{(4)}(x)| \\ Simpson公式具有3阶代数精度。 \end{gathered}$$

• n=4，Cotes公式/五点公式

Cotes系数

$$\begin{gathered} C_0^{(4)} \\ =\frac{1}{4\cdot 4!}{\int }_0^4(t-1)(t-2)(t-3)(t-4)dt=7/90 \\ {C}_1^{(4)} \\ =\frac{1}{4\cdot 3!}{\int }_0^{4}t(t-2)(t-3)(t-4)dt=16/45 \\ {C}_2^{(4)} \\ =\frac{1}{4\cdot 2!\cdot 2!}{\int }_0^{4}t(t-1)(t-3)(t-4)dt=2/15 \\ {C}_3^{(4)} \\ =\frac{1}{4\cdot 3!}{\int }_0^{4}t(t-1)(t-2)(t-4)dt=16/45 \\ {C}_4^{(4)} \\ =\frac{1}{4\cdot 4!}{\int }_0^{4}t(t-1)(t-2)(t-3)dt=7/90 \end{gathered}$$

求积公式：

$$\begin{gathered} I_4(f)=(b-a)\sum _{k=0}^4{C}_k^{(4)}f(x_k) \\ =(b-a)[\frac{7}{90}f(x_0)+\frac{32}{90}f(x_1)+ \\ \frac{12}{90}f(x_2) \\ +\frac{32}{90}f(x_3)+\frac{7}{90}f(x_4)] \end{gathered}$$

余项：

$$\begin{gathered} R(C)=R(I_4) \\ C{I}_4(f)={\int }_a^b{R}_4(x)dx \\ =-\frac{2(b-1)}{945}(\frac{b-a}{4}{)}^6{f}^{(6)}(\eta ) \\ Cotes公式具有五次代数精度 \end{gathered}$$

Cotes系数：

例：用梯形公式、Simpson公式和Cotes公式求积分$I={\int }_0^1\frac{4}{1+x^2}$的近似值。

解
$$\begin{gathered} f(x)=\frac{4}{1+x^2},a=0,b=1; \\ 精确值{\int }_0^1\frac{4}{1+x^2}dx=4arctanx{|}_0^1=\pi \end{gathered}$$

1. 梯形公式：
   $I\approx T=I_1(f)=\frac{b-a}{2}[f(a)+f(b)]=\frac{1}{2}[4+2]=3$
2. Simpson公式：
   $$\begin{gathered} I\approx S=I_2(f)=\frac{b-a}{[}f(a)+4f(\frac{b+1}{2})+f(b)] \\ =\frac{1}{6}[4+\frac{64}{5}+2]\approx 3.13333 \end{gathered}$$
3. Cotes 公式：
   $$\begin{gathered} I\approx S=I_4(f) \\ =\frac{b-1}{90}[7f(x_0)+32f(x_1)+12f(x_2) \\ +32f(x_3)+7f(x_4)] \\ =\frac{1}{90}[28]+32\frac{64}{17}+12\frac{16}{5}+32\frac{64}{25}+14] \\ \approx 3.1421176 \end{gathered}$$

3. 复合求积公式

问题1.高次插值有Runge现象$\to$分段低次插值

问题2.高阶牛顿-舒尔茨数值不稳定，低阶不满足精度要求$\to$积分区间[a,b]分成若干区间，在每个小区间上用低阶求积公式计算，然后求和。

3.1复合求积公式：

$$\begin{gathered} {\int }_a^{b}f(x)dx=\sum _{k=0}^{n-1}{\int }_{x_k}^{x_{k+1}}f(x)dx \\ \approx \sum _{k=0}^{n-1}{I}_l^{(k)}=h\sum _{k=0}^{(n-1)}\sum _{i=0}^l{C}_i^{(l)}f(x_{x+\frac{i}{j}})=I_n \end{gathered}$$

可得：

$$\begin{gathered} l=1,符合梯形求积公式 \\ {\int }_a^{b}f(x)dx\approx \frac{b-a}{2n}[f(a)+2\sum _{k=1}^{n-1}f(x_k)+f(b)] \\ l=2,符合Simpson求积公式 \\ {\int }_a^{b}f(x)dx\approx S_n \\ =\frac{b-a}{6n}[f(a)+4\sum _{k=0}^{n-1}f(x_{k+\frac{1}{2}}) \\ +2\sum _{k=1}^{n-1}f(x_k)+f(b)] \\ l=4,复合Cotes求积公式 \\ {\int }_a^{b}f(x)dx\approx C_n \\ =\frac{b-a}{90}[7f(a)+\sum _{k=0}^{n-1}[32f(x_{k+\frac{1}{4}})+ \\ 12f(x_{k+\frac{2}{4}}) \\ +32f(x_{k+\frac{3}{4}})]+14\sum _{k=1}^{n-1}f(x_k)+7f(b)] \end{gathered}$$

3.2 复合求积公式得余项和收敛的阶

三个求积公式的余项

$$\begin{gathered} R(T)=-\frac{(b-1{)}^3}{12}{f}^{\prime \prime }(\eta )单纯的求积公式 \\ =-\frac{h}{12}\cdot h^2\cdot f^{\prime \prime }(\eta )复合求积公式的每个小区间 \\ 当n足够大，复合梯形公式的余项： \\ I-T_n\approx -\frac{h^2}{12}[f^{\prime }(b)-f^{\prime }(a)] \\ R(S)=-\frac{b-a}{180}(\frac{b-a}{2}{)}^4{f}^{(4)}(\eta ) \\ =-\frac{h}{1}80(\frac{h}{2}{)}^4{f}^{(4)}({\eta }_k) \\ 当n足够大，复合Simpson公式的余项为： \\ I-S_n=-\frac{h^4}{180\cdot 2^4}[f^{\prime \prime \prime }(b)-f^{\prime \prime \prime }(a)] \\ R(C)=-\frac{2(b-a)}{945}(\frac{b-a}{4}{)}^6{f}^{(6)}(\eta ) \\ =-\frac{2h}{945}(\frac{h}{4}{)}^6{f}^{(6)}({\eta }_k)当n足够大，复合Cotes公式的余项为： \\ I-C_n\approx \frac{2h^6}{945\cdot 4^6}[f^{(5)}(b)-f^{(5)}(a)] \end{gathered}$$

4. 龙贝格求积公式/逐次分半加速法

计算步骤

• 初值：$T_1=\frac{b-1}{2}[f(a)+f(b)]$

• 令$h=\frac{b-a}{2^i}(i=0,1,2,...)，计算T_{2n}=\frac{1}{2}{T}_n+\frac{h}{2}{\sum }_{i=0}^{n-1}f(x_{i+\frac{1}{2}})$

• 外推：

  $$\begin{gathered} S_n=T_{2n}+(T_{2n}-T_n)/3 \\ {C}_N=S_{2n}+(S_{2n}-S_n)/15 \\ {R}_n=C_{2n}+(C_{2}n-C_n)/63 \end{gathered}$$

• 满足精度要求则停，否则第二步。

5. 高斯求积公式

${\int }_a^{b}f(x)dx\approx {\sum }_{k=0}^n{A}_{k}f(x_k)$含有$2n+2$个待定参数$x_k,A_k(k=0,1,...,n)$，当$x_k$为等距节点时得到的插值求积公式代数精度至少为n次，若选取恰当的节点$x_k$，有可能使求积公式具有$2n+1$次代数精度，这类求积公式称为高斯求积公式，$x_k$称为高斯点。

为具有一般性研究带权积分，对应的求积公式为${\int }_a^{b}f(x)\rho (x)dx\approx {\sum }_{k=0}^n{A}_{k}f(x_k)$，为了使其具有$2n+1$次代数精度，只要对$f(x)=x^m(m=0,1,...,2n+1)$公式都精确成立即可。

例子：构造下列积分的高斯求积公式。

$${\int }_0^1\sqrt{x}f(x)dx\approx A_{0}f(x_0)+A_{1}f(x_1)$$

解：令式子对$f(x)=1,x,x^2,x^3$准确成立，得到方程组：

$$\begin{gathered} \{\begin{array}{l}{A}_0+A_1=\frac{2}{3}\\ x_0{A}_0+x_0{A}_0=\frac{2}{5}\\ x_0^2{A}_0+X_1^2{A}_1=\frac{2}{7}\\ x_0^3{A}_0+X_1^3{A}_1=\frac{2}{9}\end{array} \\ 一式化二式，二式化三式，三式化四式，解得 \\ {x}_0=0.821162,x_1=0.289949, \\ {A}_0=0.389111,A_1=0.277556 \end{gathered}$$

定理：高斯求积公式的求积系数$A_k(k=0,1,...,n)$全为正。

高斯-勒让德求积公式

$$\begin{gathered} {\int }_a^{b}f(x)\rho (x)dx\approx \sum _{k=0}^n{A}_{k}f(x_k)中 \\ 取权函数\rho (x)=1,区间为[-1，1].由于勒让德 \\ 多项式是该区间上的正交多项式，因此勒让德 \\ 多项式P_{n+1}(x)的零点就是求积公式的高斯点。 \end{gathered}$$

若取$P_1(x)=x的零点x_0=0$作为节点构造求积公式令f(x)=1准确成立，得$A_0=2$，构造出的高斯-勒让德求积公式${\int }_{-1}^{1}f(x)dx\approx 2f(0)$是中矩形公式。

若取$P_2(x)=\frac{1}{2}(3x^2-1)$的两个零点$\pm \frac{1}{\sqrt{3}}$构造求积公式，令其对f(x)=1,x准确成立，解得$A_0=A_1=1$，此时得到两点高斯-勒让德求积公式${\int }_{-1}^{1}f(x)dx\approx f(-\frac{1}{\sqrt{3}})+f(-\frac{1}{\sqrt{3}})$，同样可以求三点高斯-勒让德公式。

高斯勒让德求积公式的节点和系数如下图所示:

若a=-1,b=1,权函数$\rho (x)=\frac{1}{\sqrt{1-x^2}}$，由此建立的高斯公式为：

$${\int }_{-1}^1\frac{f(x)}{\sqrt{1-x^2}}dx\approx \sum _{k=0}^n{A}_{k}f(x_k)$$

称为高斯-切比雪夫求积公式，与高斯-勒让德求积公式计算相仿。

---

{持续更新}
欢迎扫描二维码关注微信公众号 深度学习与数学   [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读，算法和其他互联网技能的学习，概率论、线性代数等高等数学知识的回顾]