数值积分编程基础-牛顿科特斯(Newton-Cotes)(python)

第三十九篇 数值积分-牛顿柯特斯

当以解析法去求代数积分时不便利或者根本求不出来时，就使用数值积分或“求积”的方式。数值积分方法可以应用在数学函数，或者针对工程实验中能够测量的离散数据。首先考虑一元函数的数值积分方法，即:

多个变量函数的面积和体积积分将在后面讨论。
本篇将介绍几种数值积分公式(也称为“法则”)。这些方法通常不依赖于被积分的函数类型，但一些“自定义”方法也会被讨论。
少数情况下数值积分有时会得到精确解，特别是如果处于计算的函数是一个简单的多项式，但通常最后的解是近似的。在积分是由超越函数所组合(如正弦、余弦、对数等)成时，函数在任何情况下都可能没有精确的解析解。一旦得到了近似解，那么就需要知道误差值的大小了。在某些情况下，数值积分规则可以具有自适应的特点去求出最精确的解。
数值积分方法的第一步是用一个简单的多项式Qn−1(x) (n - 1)次替换被积分的函数f(x)，它在n个点处的xi和f(x)值一样，其中i = 1,2，…，n。
因此

其中

ai是常系数。
像Qn−1(x)这样的多项式很容易解析积分，也可以精确地进行数值积分。因此，如果像上面一样可以求出一个近似的形式，可以得到一个所需积分的合理估计。
数值积分的“法则”通常表示为求和的形式

因此

xi被称为“采样点”，即函数f(x)的取值点，wi是常数“加权系数”。上面方程构成了在单一变量中所有数值积分方法的基础。
虽然Qn−1(x)实际上是由方程积分的函数，但并不需要知道它的确切形式，因为样本点将会被代入f(x)中。
两个数值积分法则的区别在于样本点的数量和位置以及对应的加权系数。
首先考虑的方法为，将样本点在积分范围内取等间隔的“牛顿科特”法则。后来得到的方法“高斯”法则，其中样本点取最优的间隔，能显著地提高精度和效率
数值积分的其他需要在本篇中处理的有采取自适应方法去控制误差、特殊的包含一个指数衰减函数或某种类型的奇点的被积函数,和多个变量的多重积分函数在二维和三维情况下。
样本点一般在积分范围内，故a≤xi≤b。
然而还将有样本点在积分范围之外的情况，这将在之后讨论。

牛顿柯特法则

牛顿柯特法则的特点是在积分范围和限制之内等间隔的取样本点。在下面的小节中，我们将描述牛顿-科特斯家族的前几个成员，从只使用一个样本点的最简单的方法开始。

矩形法则，(n=1)

这种简单的方法也被称为“矩形法则”，积分的近似函数f(x)仅与第一个点的多项式Q0(x)一致，即积分下限如下图所示。