1.梯形近似——适用于定积分,适用于含参上下积分极限的积分
(31条消息) 数值积分的梯形逼近及误差分析_njit_peiyuan 的博客-CSDN博客https://blog.csdn.net/weixin_34161064/article/details/89696313?utm_term=%E6%95%B0%E5%80%BC%E7%A7%AF%E5%88%86%E7%9A%84%E8%AF%AF%E5%B7%AE&utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~sobaiduweb~default-0-89696313&spm=3001.4430这里要着重注意一句:除了梯形逼近外,在数值积分的逼近方法中还有抛物线逼近。这两种方法可能会给使用者一个错觉,认为步进值取的越小,越精确,事实上完全相反,当取的步进值过于小时候,反而逼近的结果令人失望,原因是步进值很小,划分的块太小,导致每一块的误差累积起来,产生了更大的误差。
数值积分的误差是累积的!!这一点在程序中也有所体现。在讲范围取成[0.1,2000]时,积分区间数取1000反而误差更大。而降低区间数后反而积分误差减小。
2.高斯勒让德积分——适用于定积分,积分上下限都要有具体的数值,不可以有变量
①一重积分
(31条消息) 高斯勒让德(Gauss-legendre)求解多重积分(python,数值积分)_深渊潜航的博客-CSDN博客_高斯勒让德积分https://blog.csdn.net/seventonight/article/details/117030999这种方法非常之快,可以在之后采用。
3.几种数值积分的误差比较
几种数值积分算法的误差分析 - 百度文库 (baidu.com)https://wenku.baidu.com/view/1d7d762b0066f5335a8121ac.html