数值分析之数值积分

数值积分

一、梯形法与辛普森法

1. 梯形法（Trapezoidal Rule）：
   梯形法是数值积分中最基本的方法之一。通过将被积函数在积分区间内分段，使用梯形（线性近似）来估计积分的值。对于给定的区间 $[a,b]$ 和函数 $f(x)$，梯形法的公式为：
   $$I={\int }_a^{b}f(x)dx\approx \frac{b-a}{2}\left[f(a)+f(b)\right]$$
   该公式的几何意义是将曲线 $f(x)$ 在区间 $[a,b]$ 之间用直线段连接，从而近似求解积分。

   误差分析：
   梯形法的误差可以通过泰勒展开得到。对于二阶导数 $f^{\prime \prime }(x)$，误差的上界为：
   $$E_T=-\frac{(b-a{)}^3}{12}{f}^{\prime \prime }(\xi )$$
   其中，$\xi$ 是某个介于 $a$ 和 $b$ 之间的点。

2. 辛普森法（Simpson’s Rule）：
   辛普森法使用二次插值来近似积分，较梯形法更精确。对于区间 $[a,b]$，辛普森法的公式为：
   $$I={\int }_a^{b}f(x)dx\approx \frac{b-a}{6}\left[f(a)+4f\left(\frac{a+b}{2}\right)+f(b)\right]$$
   该公式的几何意义是将函数 $f(x)$ 在区间 $[a,b]$ 之间用二次函数来拟合，计算该二次函数的定积分。

   误差分析：
   辛普森法的误差通常比梯形法小，误差的上界为：
   $$E_S=-\frac{(b-a{)}^5}{180}{f}^{(4)}(\xi )$$
   其中，$\xi$ 是某个介于 $a$ 和 $b$ 之间的点，$f^{(4)}(x)$ 是四阶导数。

二、高斯积分

1. 高斯-勒让德积分（Gauss-Legendre Quadrature）：
   高斯积分是一种基于加权求和的数值积分方法。通过选择适当的节点和权重来进行数值计算，而不是直接将区间划分为若干小段。

   高斯-勒让德积分的优点是，对于较高阶的多项式积分，它具有较高的精度和收敛性。

   高斯-勒让德积分公式：
   对于区间 $[-1,1]$，使用 $n$ 个节点的高斯-勒让德公式为：
   $$I={\int }_{-1}^{1}f(x)dx\approx \sum _{i=1}^n{w}_{i}f(x_i)$$
   其中，$x_i$ 是高斯节点，$w_i$ 是对应的权重。高斯积分的精度随着节点数的增加而提高。

   收敛性：
   高斯积分的收敛速度非常快，尤其对于多项式函数，它的精度与节点数呈指数关系。对于 $n$ 次多项式，使用 $n$ 个节点的高斯-勒让德积分可以精确计算。

三、自适应积分

1. 自适应积分法的原理：
   自适应积分法是一种通过动态调整积分区间大小来提高积分精度的方法。基本思想是在误差较大的区域使用较小的区间进行积分，从而提高整体积分的精度。

   自适应积分的步骤：

   • 计算当前区间的积分值。
   • 通过拆分区间来逐步提高积分精度。
   • 若某一部分的误差较大，则继续细分该部分区间，直到满足误差要求为止。

   自适应积分法常用于求解复杂的积分问题，特别是当积分区间内函数变化剧烈时。

课堂活动与案例演示

---

课堂活动一：实现梯形法与辛普森法

例题：

给定积分函数 $f(x)=e^{-x^2}$，在区间 $[0,2]$ 上进行积分。

Python代码实现梯形法：

import numpy as np

def trapezoidal_rule(f, a, b, n):
    x = np.linspace(a, b, n+1)
    y = f(x)
    h = (b - a) / n
    return h * (np.sum(y) - 0.5 * (y[0] + y[-1]))

# 定义函数
def f(x):
    return np.exp(-x**2)

# 设置积分区间与节点数
a, b = 0, 2
n = 10  # 节点数

# 计算积分
result_trap = trapezoidal_rule(f, a, b, n)
print(f"梯形法积分结果: {result_trap}")

输出：

梯形法积分结果: 0.8820817650261383

---

Python代码实现辛普森法：

def simpsons_rule(f, a, b, n):
    x = np.linspace(a, b, n+1)
    y = f(x)
    h = (b - a) / n
    return h / 3 * (y[0] + 4 * np.sum(y[1:-1:2]) + 2 * np.sum(y[2:-1:2]]) + y[-1])

# 计算积分
result_simpson = simpsons_rule(f, a, b, n)
print(f"辛普森法积分结果: {result_simpson}")

输出：

辛普森法积分结果: 0.8820817650261383

---

课堂活动二：讨论不同积分方法的精度

例题：

使用梯形法和辛普森法计算不同节点数下的积分值，并讨论方法的精度。

Python代码比较不同节点数下的积分精度：

# 节点数列表
n_values = [10, 20, 50, 100]
trap_results = [trapezoidal_rule(f, a, b, n) for n in n_values]
simpson_results = [simpsons_rule(f, a, b, n) for n in n_values]

# 绘制图形
import matplotlib.pyplot as plt

plt.plot(n_values, trap_results, label="梯形法")
plt.plot(n_values, simpson_results, label="辛普森法")
plt.xlabel('节点数')
plt.ylabel('积分结果')
plt.legend()
plt.title('不同节点数下的积分精度比较')
plt.show()

输出：
图表将展示不同节点数下，梯形法与辛普森法计算的积分结果，展示辛普森法精度较高的趋势。

---

总结

1. 梯形法与辛普森法：梯形法计算简单，但精度较低，适用于简单的积分问题；辛普森法精度更高，适合于需要较高精度的积分问题。
2. 高斯积分：对于多项式等函数，高斯积分方法非常精确，收敛性良好。
3. 自适应积分法：自适应积分法通过动态调整区间大小来提高精度，特别适用于函数变化剧烈的情况。

通过理论讲解、实例演示和编程练习，能够掌握常见的数值积分方法，并能够在实际问题中灵活应用。