复化梯形公式和复化Simpson公式的python实现

复化求积的思想：
       将区间[a，b]分作n等分，步长h = (b-a) / n，等分点x(k) = a + kh，k = 0,1,2,3,…,n，先在每个子区间[x(k)，x(k+1)]上采用低阶的数值求积公式求得近似积分值I(k)，再将它们累加并以和作为积分I的近似值。

用复化梯形公式和复化Simpson公式计算：
$$I={\int }_0^{\pi }{e}^{x}cosxdx$$
精确值是：I = -12.0703463164

（1）复化梯形公式：

python代码：

import math

a, b = 0, math.pi # 区间端点
I = -12.0703463164 # 精确解

F_a = math.e ** a * math.cos(a)
F_b = math.e ** math.pi * math.cos(b)
ls = [1] # 存放E_n

for i in range(1,10):
    n = 2 ** i
    h = (b-a) / n

    m = 0
    # 计算复化求积公式中的和式
    for j in range(1,n):
        m += math.e ** (j*b/n) * math.cos(j*b/n)

    T_n = h / 2 * (F_a + 2*m + F_b)
    E_n = I - T_n

    ls.append(str(E_n))
    print('Tn={:.10f}  En={:.2E}  En/E2n={:.2f}'.format(T_n, E_n, float(ls[i-1])/float(ls[i])), '\t','n={}'.format(n))

运行结果：

结论：
       当n加倍（步长h减半）时，误差E(n)按因子4递减，误差确是O(h^2)；当n增大时，复化梯形公式的误差越来越小，近似解也越来越收敛于精确解；但是，当n相对较小时，求解效果并不是太好，误差相对较大。

（2）复化Simpson公式：

python代码：

import math

a, b = 0, math.pi # 区间端点
I = -12.0703463164 # 精确解

F_a = math.e ** a * math.cos(a)
F_b = math.e ** math.pi * math.cos(b)
ls = [-1] # 存放E_n

for i in range(1,9):
    n = 2 ** i
    h = (b-a) / n

    p = q = 0
    # 计算复化求积公式中的和式
    for j in range(1, 2*n, 2):
        p += math.e ** (j*b/(2*n)) * math.cos(j*b/(2*n))
    for k in range(2, 2*n, 2):
        q += math.e ** (k*b/(2*n)) * math.cos(k*b/(2*n))

    S_n = h / 6 * (F_a + 4*p + 2*q + F_b)
    E_n = I - S_n

    ls.append(str(E_n))
    print('Sn={:.10f}  En={:.2E}  En/E2n={:.2f}'.format(S_n, E_n, float(ls[i-1])/float(ls[i])), '\t','n={}'.format(n))

运行结果：

结论：
       当n加倍（步长h减半）时，误差E(n)按因子16递减，误差确是O(h^4)；当n增大时，复化Simpson公式的误差越来越小，近似解也越来越收敛于精确解；复化Simpson公式总体上近似效果较好，要比复化梯形公式优越的多。

如有错误或者不足之处，欢迎大家留言指正！