一、数值积分的基本思想
将连续量的积分近似为离散量的加权和。
∫
a
b
f
(
x
)
d
x
≈
∑
n
=
0
N
A
n
f
(
x
n
)
\int_{a}^{b} f(x) \mathrm{d} x \approx \sum_{n=0}^{N} A_{n} f\left(x_{n}\right)
∫abf(x)dx≈n=0∑NAnf(xn)
A
n
A_n
An为
f
(
x
n
)
f(x_n)
f(xn)的权值。
代数精度
若
f
(
x
)
=
1
,
x
,
x
2
,
⋯
,
x
m
f(x)=1,x,x^2,\cdots,x^m
f(x)=1,x,x2,⋯,xm 时 有:
∫
a
b
f
(
x
)
d
x
=
∑
n
=
0
N
A
n
f
(
x
n
)
\int_{a}^{b} f(x) \mathrm{d} x = \sum_{n=0}^{N} A_{n} f\left(x_{n}\right)
∫abf(x)dx=n=0∑NAnf(xn)
成立,且对于
f
(
x
)
=
x
m
+
1
f(x)=x^{m+1}
f(x)=xm+1不成立,则称:
∑
n
=
0
N
A
n
f
(
x
n
)
\sum_{n=0}^{N} A_{n} f\left(x_{n}\right)
∑n=0NAnf(xn)具有m次代数精度。
二、插值型求积公式
插值型求积公式的基本思想
通过n个互异结点构造Lagrange插值多项式,然后对该多项式求积。
求积公式
已知Lagrange插值多项式为
L
n
(
x
)
=
∑
i
=
0
n
[
(
∏
j
=
0
,
j
≠
i
n
x
−
x
j
x
i
−
x
j
)
y
i
]
L_n(x) = \sum_{i=0}^{n} \left [ \left ( \prod_{j=0,j \ne i}^{n} \frac{x-x_j}{x_i-x_j}\right ) y_i \right ]
Ln(x)=i=0∑n⎣⎡⎝⎛j=0,j=i∏nxi−xjx−xj⎠⎞yi⎦⎤
则有
A
i
=
∫
a
b
∏
j
=
0
,
j
≠
i
n
x
−
x
j
x
i
−
x
j
d
x
A_i=\int_a^b \prod_{j=0,j \ne i}^{n} \frac{x-x_j}{x_i-x_j} \mathrm dx
Ai=∫abj=0,j=i∏nxi−xjx−xjdx
同理,插值型求积公式的余项为
R
[
f
]
=
∫
a
b
f
(
n
+
1
)
(
ξ
)
(
n
+
1
)
!
∏
i
=
0
n
(
x
−
x
i
)
d
x
R[f]=\int_a^b\frac{f^{(n+1)}(\xi)}{(n+1) !}\prod_{i=0}^{n}\left(x-x_{i}\right) \mathrm d x
R[f]=∫ab(n+1)!f(n+1)(ξ)i=0∏n(x−xi)dx
插值型求积公式的代数精度
插值型求积公式的充分必要条件是它至少具有n次代数精度。
问题
- 不好编程
- 计算量大
- 当n较大时,计算量明显提升。
三、牛顿-柯特斯求积公式
牛顿-柯特斯求积公式的引出
当求积结点 x i x_i xi为等距结点,可以使用相对于插值型求积公式较为简单的公式。
已知条件
- h = b − a n h = \frac{b-a}{n} h=nb−a
- x i = a + i h ( i = 0 , 1 , 2 , . . . , n ) x_i = a+ih \quad(i=0,1,2,...,n) xi=a+ih(i=0,1,2,...,n)
公式
∫
a
b
f
(
x
)
d
x
≈
(
b
−
a
)
∑
i
=
0
N
C
i
(
n
)
f
(
x
i
)
\int_{a}^{b} f(x) \mathrm{d} x \approx(b-a) \sum_{i=0}^{N} C_{i}^{(n)} f(x_i)
∫abf(x)dx≈(b−a)i=0∑NCi(n)f(xi)
C
i
(
n
)
=
(
−
1
)
n
−
i
n
[
i
!
(
n
−
i
)
!
]
∫
0
n
∏
j
=
0
,
j
≠
i
n
(
t
−
j
)
d
t
C_i^{(n)}=\frac{(-1)^{n-i}}{n[i !(n-i) !]} \int_{0}^{n} \prod_{j=0, j \neq i}^{n}(t-j) \mathrm{d} t
Ci(n)=n[i!(n−i)!](−1)n−i∫0nj=0,j=i∏n(t−j)dt
为什么提出公式中的(b-a)?
因为 C i ( n ) C_{i}^{(n)} Ci(n)只与 n 和 i 有关,与函数的区间 [ a , b ] [a,b] [a,b]无关,提出 ( b − a ) (b-a) (b−a)使求积公式更具有一般性。
柯特斯系数 C i ( n ) C_{i}^{(n)} Ci(n)的性质
∑
i
=
0
n
C
i
(
n
)
=
1
\sum_{i=0}^n C_{i}^{(n)}= 1
i=0∑nCi(n)=1
当
n
=
8
n=8
n=8 时,柯特斯系数出现负数,稳定性得不到保证。
一般采用
n
≤
4
n\le4
n≤4 的牛顿-柯特斯求积公式。
优点
相较于插值型求积公式, A i A_i Ai只与区间和 C i ( n ) C_i^{(n)} Ci(n)有关,因为要求 n ≤ 8 n\le 8 n≤8,故系数可直接通过表格给出,或预处理给出,加快了求积速度。
缺点
要求结点必须为等距结点。不灵活。
牛顿-柯特斯求积公式其他特性
1.特别n值的求积公式
- 当n=1时,为梯形求积公式
- 当n=2时,为辛普生求积公式(Simpson)
I ( f ) ≈ S = b − a 6 [ f ( a ) + 4 f ( b + a 2 ) + f ( b ) ] I(f) \approx S = \frac{b-a}{6}[f(a)+4f(\frac{b+a}{2})+f(b)] I(f)≈S=6b−a[f(a)+4f(2b+a)+f(b)] - 当n=4时,为柯特斯求积公式
I ( f ) ≈ C = b − a 90 [ 7 f ( x 0 ) + 32 f ( x 1 ) + 12 f ( x 2 ) + 32 f ( x 3 ) + 7 f ( x 4 ) ] I(f) \approx C = \frac{b-a}{90}[7f(x_0)+32f(x_1)+12f(x_2)+32f(x_3)+7f(x_4)] I(f)≈C=90b−a[7f(x0)+32f(x1)+12f(x2)+32f(x3)+7f(x4)]
2.代数精度
当
n
n
n为奇数时,至少具有
n
n
n 次代数精度。
当
n
n
n为偶数时,至少具有
n
+
1
n+1
n+1 次代数精度。
即代数精度为恒为奇数
3.误差估计
梯形求积公式截断误差
R 1 ( f ) = − ( b − a ) 3 12 f ′ ′ ( ξ ) , ξ ∈ [ a , b ] R_1(f)=-\frac{(b-a)^{3}}{12} f^{\prime \prime}(\xi), \quad \xi \in[a, b] R1(f)=−12(b−a)3f′′(ξ),ξ∈[a,b]
Simpson求积公式截断误差
R 2 ( f ) = − ( b − a ) 5 2880 f ( 4 ) ( ξ ) , ξ ∈ [ a , b ] R_{2}(f)=-\frac{(b-a)^{5}}{2880} f^{(4)}(\xi), \quad \xi \in[a, b] R2(f)=−2880(b−a)5f(4)(ξ),ξ∈[a,b]
柯特斯求积公式截断误差
R 4 ( f ) = − ( b − a ) 7 1935360 f ( 6 ) ( ξ ) , ξ ∈ [ a , b ] R_{4}(f)=-\frac{(b-a)^{7}}{1935360} f^{(6)}(\xi), \quad \xi \in[a, b] R4(f)=−1935360(b−a)7f(6)(ξ),ξ∈[a,b]
四、复合求积公式
基本思路
当 插值型求积公式 或 牛顿-柯特斯求积公式 n值较大时,数值不稳定且难以计算。因此我们在求一个积分区间时,把积分区间等分为若干小区间,在每个小区间内采用次数不高的求积公式。
求积公式
复合梯形求积公式
∫ a b f ( x ) d x ≈ T n = h 2 [ f ( a ) + 2 ∑ n = 1 N − 1 f ( x n ) + f ( b ) ] \int_{a}^{b} f(x) \mathrm{d} x \approx T_n = \frac{h}{2}\left[f(a)+2 \sum_{n=1}^{N-1} f\left(x_{n}\right)+f(b)\right] ∫abf(x)dx≈Tn=2h[f(a)+2n=1∑N−1f(xn)+f(b)]
复合梯形求积公式余项
R n = − h 2 12 [ f ′ ( b ) − f ′ ( a ) ] = − ( b − a ) 3 12 h 2 f ′ ′ ( ξ ) , ξ ∈ [ a , b ] R_n = -\frac{h^{2}}{12}\left[f^{\prime}(b)-f^{\prime}(a)\right]=-\frac{(b-a)^{3}}{12} h^2f^{\prime \prime}(\xi), \quad \xi \in[a, b] Rn=−12h2[f′(b)−f′(a)]=−12(b−a)3h2f′′(ξ),ξ∈[a,b]
复合Simpson求积公式
∫ a b f ( x ) d x ≈ h 6 [ f ( a ) + 4 ∑ n = 0 N − 1 f ( x n + 1 2 ) + 2 ∑ n = 1 N − 1 f ( x n ) + f ( b ) ] \int_{a}^{b} f(x) \mathrm{d} x \approx \frac{h}{6}\left[f(a)+4 \sum_{n=0}^{N-1} f\left(x_{n+\frac{1}{2}}\right)+2 \sum_{n=1}^{N-1} f\left(x_{n}\right)+f(b)\right] ∫abf(x)dx≈6h[f(a)+4n=0∑N−1f(xn+21)+2n=1∑N−1f(xn)+f(b)]
便于计算机计算的公式
∫ a b f ( x ) d x ≈ h 6 { f ( a ) − f ( b ) + 2 ∑ n = 1 N [ 2 f ( x ~ 2 n − 1 ) + f ( x ~ 2 n ) ] } \int_{a}^{b} f(x) \mathrm{d} x \approx \frac{h}{6}\left\{f(a)-f(b)+2 \sum_{n=1}^{N}\left[2 f\left(\tilde{x}_{2 n-1}\right)+f\left(\tilde{x}_{2 n}\right)\right]\right\} ∫abf(x)dx≈6h{f(a)−f(b)+2n=1∑N[2f(x~2n−1)+f(x~2n)]}
复合Simpson求积公式余项
R n = − h 4 2880 [ f ( 3 ) ( b ) − f ( 3 ) ( a ) ] = − b − a 180 ( h 2 4 ) f ( 4 ) ( ξ ) , ( ξ ∈ ( a , b ) ) R_n =-\frac{h^{4}}{2880}\left[f^{(3)}(b)-f^{(3)}(a)\right]=-\frac{b-a}{180}\left(\frac{h}{2}^4\right)f^{(4)}(\xi),\quad (\xi \in (a,b)) Rn=−2880h4[f(3)(b)−f(3)(a)]=−180b−a(2h4)f(4)(ξ),(ξ∈(a,b))
注
在计算量相同的情况下,复合Simpson公式比复合梯形公式的精度高。
五、变步长求积公式
引入
通常,我们需要积分计算达到某个精度,而不是确定的步长。因此需要引入变步长方法。
基本思想
在步长逐次折半的过程中,反复用复合求积公式计算,知道步长折半前后两次积分差的绝对值 ∣ I 2 n ( f ) − I n ( f ) ∣ |I_{2n}(f)-I_n(f)| ∣I2n(f)−In(f)∣小于允许精度。
变步长梯形公式
T k = 1 2 T k − 1 + b − a 2 k ∑ n = 1 2 k − 1 f [ a + 2 n − 1 2 k ( b − a ) ] , k = 1 , 2 , ⋯ T_{k}=\frac{1}{2} T_{k-1}+\frac{b-a}{2^{k}} \sum_{n=1}^{2^{k-1}} f\left[a+\frac{2 n-1}{2^{k}}(b-a)\right], \quad k=1,2, \cdots Tk=21Tk−1+2kb−an=1∑2k−1f[a+2k2n−1(b−a)],k=1,2,⋯
变步长的复合梯形公式收敛速度非常缓慢。因此如何提高收敛速度以节省计算量成为一个实际的问题。
由此,引出龙贝格求积公式(Richardson)
六、龙贝格求积公式(Romberg)
梯形加速公式
S
n
=
4
4
−
1
T
2
n
−
1
4
−
1
T
n
=
T
2
n
+
(
T
2
n
−
T
n
)
/
3
S_n=\frac{4}{4-1}T_{2n}-\frac{1}{4-1}T_n = T_{2n}+(T_{2n}-T_n)/3
Sn=4−14T2n−4−11Tn=T2n+(T2n−Tn)/3
通过梯形加速公式可以得到具有较高精度的Simpson公式。便可再进行Simpson加速公式。
Simpson加速求积公式
C n = 4 2 4 2 − 1 S 2 n − 1 4 2 − 1 S n = S 2 n + ( S 2 n − S n ) / 15 C_n=\frac{4^2}{4^2-1}S_{2n}-\frac{1}{4^2-1}S_n = S_{2n}+(S_{2n}-S_n)/15 Cn=42−142S2n−42−11Sn=S2n+(S2n−Sn)/15
柯特斯加速求积公式
R n = 4 3 4 3 − 1 C 2 n − 1 4 3 − 1 C n = C 2 n + ( C 2 n − C n ) / 63 R_n=\frac{4^3}{4^3-1}C_{2n}-\frac{1}{4^3-1}C_n = C_{2n}+(C_{2n}-C_n)/63 Rn=43−143C2n−43−11Cn=C2n+(C2n−Cn)/63
一般的龙贝格求积公式
{
T
0
(
k
)
=
1
2
T
0
(
k
−
1
)
+
b
−
a
2
k
∑
n
=
1
2
k
−
1
f
[
a
+
2
n
−
1
2
k
(
b
−
a
)
]
,
k
=
1
,
2
,
⋯
,
T
m
(
l
)
=
4
m
T
m
−
1
(
l
+
1
)
−
T
m
−
1
(
l
)
4
m
−
1
,
l
=
0
,
1
,
⋯
,
m
=
1
,
2
,
⋯
.
\left\{\begin{array}{l} T_{0}^{(k)}=\frac{1}{2} T_{0}^{(k-1)}+\frac{b-a}{2^{k}} \sum_{n=1}^{2^{k-1}} f\left[a+\frac{2 n-1}{2^{k}}(b-a)\right], k=1,2, \cdots, \\ \\ T_{m}^{(l)}=\frac{4^{m} T_{m-1}^{(l+1)}-T_{m-1}^{(l)}}{4^{m}-1}, \quad l=0,1, \cdots, \quad m=1,2, \cdots . \end{array}\right.
⎩⎪⎨⎪⎧T0(k)=21T0(k−1)+2kb−a∑n=12k−1f[a+2k2n−1(b−a)],k=1,2,⋯,Tm(l)=4m−14mTm−1(l+1)−Tm−1(l),l=0,1,⋯,m=1,2,⋯.
T
0
T_0
T0为梯形公式,
T
1
T_1
T1为Simpson公式,
T
2
T_2
T2为柯特斯公式。
因为当
m
≥
4
m\ge 4
m≥4时,第一个系数接近1,第二个系数接近0,与前一个公式计算结果没有很大差别,故一般只计算到柯特斯加速公式
R
n
,
R
2
n
,
R
4
n
,
⋯
R_n,R_{2n},R_{4n},\cdots
Rn,R2n,R4n,⋯
注:这与❀科教材中描述的不同,❀科教材中是依次计算 T m l T_m^l Tml,直到达到精度值 ∣ T m 0 − T m − 1 0 ∣ < ε |T_m^0-T^0_{m-1}|<\varepsilon ∣Tm0−Tm−10∣<ε
计算步骤
李桂成计算方法教材计算步骤:
若
∣
R
2
n
−
R
n
∣
<
ε
|R_{2n}-R_n|<\varepsilon
∣R2n−Rn∣<ε则选取
R
2
n
R_{2n}
R2n为近似值。
否则步长折半,计算
R
4
n
R_{4n}
R4n,比较
R
2
n
,
R
4
n
R_{2n},R_{4n}
R2n,R4n依次类推,直到小于精度
ε
\varepsilon
ε。
T
1
↓
↘
T
2
→
S
1
↓
↘
↘
T
4
→
S
2
→
C
1
↓
↘
↘
↘
T
8
→
S
4
→
C
2
→
R
1
↓
↘
↘
↘
T
16
→
S
8
→
C
4
→
R
2
↓
↘
↘
↘
⋮
→
⋮
→
⋮
→
⋮
\begin{array}{ccccccc} T_{1} & & & & & & \\ \downarrow & \searrow & & & & & \\ T_{2} & \rightarrow & S_{1}& & & & \\ \downarrow & \searrow & & \searrow & & & \\ T_{4}& \rightarrow & S_{2}& \rightarrow & C_{1} & & \\ \downarrow & \searrow & & \searrow & & \searrow & \\ T_{8}& \rightarrow & S_{4}& \rightarrow & C_{2}& \rightarrow & R_{1}\\ \downarrow & \searrow & & \searrow & & \searrow & \\ T_{16}& \rightarrow & S_{8} & \rightarrow & C_{4} & \rightarrow & R_{2}\\ \downarrow & \searrow & & \searrow & & \searrow & \\ \vdots& \rightarrow & \vdots & \rightarrow & \vdots & \rightarrow & \vdots \end{array}
T1↓T2↓T4↓T8↓T16↓⋮↘→↘→↘→↘→↘→S1S2S4S8⋮↘→↘→↘→↘→C1C2C4⋮↘→↘→↘→R1R2⋮
华科教材计算步骤
T
0
(
0
)
↓
↘
T
0
(
1
)
→
T
1
(
0
)
↓
↘
↘
T
0
(
2
)
→
T
1
(
1
)
→
T
2
(
0
)
↓
↘
↘
↘
T
0
(
3
)
→
T
1
(
2
)
→
T
2
(
1
)
→
T
3
(
0
)
\begin{array}{ccccccc} T_{0}^{(0)} & & & & & & \\ \downarrow & \searrow & & & & & \\ T_{0}^{(1)} & \rightarrow & T_{1}^{(0)} & & & & \\ \downarrow & \searrow & & \searrow & & & \\ T_{0}^{(2)} & \rightarrow & T_{1}^{(1)} & \rightarrow & T_{2}^{(0)} & & \\ \downarrow & \searrow & & \searrow & & \searrow & \\ T_{0}^{(3)} & \rightarrow & T_{1}^{(2)} & \rightarrow & T_{2}^{(1)} & \rightarrow & T_{3}^{(0)} \end{array}
T0(0)↓T0(1)↓T0(2)↓T0(3)↘→↘→↘→T1(0)T1(1)T1(2)↘→↘→T2(0)T2(1)↘→T3(0)
高斯求积公式(Gauss)
由于代数精度与结点的选取有关,因此选取特定的高斯点,可使插值型求积公式的代数精度达到最大,最大代数精度为 2 n + 1 2n+1 2n+1。
高斯求积公式的一般形式
∫
a
b
f
(
t
)
d
t
=
b
−
a
2
∫
−
1
1
f
(
b
−
a
2
x
+
a
+
b
2
)
d
x
\int_{a}^{b} f(t) \mathrm{d} t=\frac{b-a}{2} \int_{-1}^{1} f\left(\frac{b-a}{2} x+\frac{a+b}{2}\right) \mathrm{d} x
∫abf(t)dt=2b−a∫−11f(2b−ax+2a+b)dx
将x的取值限定在
[
−
1
,
1
]
[-1,1]
[−1,1]之间,再离散求解。
∫
a
b
f
(
t
)
d
t
=
b
−
a
2
∑
i
=
0
n
A
i
f
(
b
−
a
2
t
i
+
a
+
b
2
)
\int_{a}^{b} f(t) \mathrm{d} t=\frac{b-a}{2} \sum_{i=0}^{n}A_i f\left(\frac{b-a}{2} t_i+\frac{a+b}{2}\right)
∫abf(t)dt=2b−ai=0∑nAif(2b−ati+2a+b)
求解如上插值型求积公式的关键,便是求高斯点。从而引出高斯-勒让德求积公式。
高斯-勒让德求积公式(Gauss-Legendre)
勒让德多项式
定义: 以区间 [ − 1 , 1 ] [-1,1] [−1,1] 内的高斯点 x i x_i xi 为零点的n+1次多项式为勒让德多项式。
勒让德多项式的性质
①正交性
(
P
n
,
P
m
)
=
∫
−
1
1
P
n
(
x
)
P
m
(
x
)
d
x
=
{
0
,
m
≠
n
2
2
n
+
1
,
m
=
n
(P_n,P_m)= \int_{-1}^{1} { P_n(x)P_m(x) dx} =\begin{cases} & 0,\quad m\ne n\\ & \frac{2}{2n+1},\quad m=n \end{cases}
(Pn,Pm)=∫−11Pn(x)Pm(x)dx={0,m=n2n+12,m=n
②递推公式
(
n
+
1
)
P
n
+
1
(
x
)
=
(
2
n
+
1
)
x
P
n
(
x
)
−
n
P
n
−
1
(
x
)
(
n
=
1
,
2
,
⋯
)
(n+1)P_{n+1}(x)=(2n+1)xP_n(x)-nP_{n-1}(x)\quad (n=1,2,\cdots)
(n+1)Pn+1(x)=(2n+1)xPn(x)−nPn−1(x)(n=1,2,⋯)
由:
P
0
(
x
)
=
1
,
P
1
(
x
)
=
x
P_0(x) = 1,P_1(x)=x
P0(x)=1,P1(x)=x
得出:
P
2
(
x
)
=
1
2
(
3
x
2
−
1
)
P
3
(
x
)
=
1
2
(
5
x
3
−
3
x
)
⋯
以
此
类
推
P_2(x)=\frac{1}{2}(3x^2-1)\\ P_3(x)=\frac{1}{2}(5x^3-3x)\\ \quad\\ \cdots 以此类推
P2(x)=21(3x2−1)P3(x)=21(5x3−3x)⋯以此类推
③奇偶性
P
n
(
−
x
)
=
(
−
1
)
n
P
n
(
x
)
P_n(-x)=(-1)^nP_n(x)
Pn(−x)=(−1)nPn(x)
④
P
n
P_n
Pn在区间[-1,1]内有n个不同的实零点。
高斯-勒让德求积公式的使用
当有一个结点时
P
1
(
x
)
=
x
=
0
,
即
x
0
=
0
P_1(x)=x=0,即x_0=0
P1(x)=x=0,即x0=0即高斯点为
x
0
=
0
x_0=0
x0=0。
当有两个结点时
P
2
(
x
)
=
1
2
(
3
x
2
−
1
)
=
0
,
即
x
0
=
−
1
3
,
x
1
=
1
3
P_2(x)=\frac{1}{2}(3x^2-1)=0,即x_0=-\frac{1}{\sqrt{3}},x_1=\frac{1}{\sqrt{3}}
P2(x)=21(3x2−1)=0,即x0=−31,x1=31即高斯点为
x
0
=
−
1
3
,
x
1
=
1
3
x_0=-\frac{1}{\sqrt{3}},x_1=\frac{1}{\sqrt{3}}
x0=−31,x1=31。
同理,当有三个结点时
P
2
(
x
)
=
1
2
(
5
x
3
−
3
x
)
,
即
x
0
=
−
3
5
,
x
1
=
0
,
x
2
=
3
5
P_2(x)=\frac{1}{2}(5x^3-3x),即x_0=-\sqrt\frac{3}{5},x_1=0,x_2=\sqrt\frac{3}{5}
P2(x)=21(5x3−3x),即x0=−53,x1=0,x2=53
得出高斯点后,将高斯点代入下式
∫
a
b
f
(
t
)
d
t
=
b
−
a
2
∑
i
=
0
n
A
i
f
(
b
−
a
2
x
i
+
a
+
b
2
)
x
i
为
[
−
1
,
1
]
上
的
高
斯
点
,
b
−
a
2
x
i
+
a
+
b
2
为
[
a
,
b
]
上
的
高
斯
点
\int_{a}^{b} f(t) \mathrm{d} t=\frac{b-a}{2} \sum_{i=0}^{n}A_i f\left(\frac{b-a}{2} x_i+\frac{a+b}{2}\right) \\ \quad\\ x_i为[-1,1]上的高斯点,\frac{b-a}{2} x_i+\frac{a+b}{2}为[a,b]上的高斯点
∫abf(t)dt=2b−ai=0∑nAif(2b−axi+2a+b)xi为[−1,1]上的高斯点,2b−axi+2a+b为[a,b]上的高斯点
求解
A
i
A_i
Ai即可得到高斯-勒让德求积公式
也可利用提高代数精度的方法设计高斯求积公式
高斯-勒让德求积公式的使用
①稳定性
虽然高斯点会有舍入误差,但是误差是可控的,具有较好稳定性。
②精度高
较复合梯形求积公式,龙贝格求积公式,高斯-勒让德求积公式具有较高精度。
数值微分
无论是中点公式还是插值型微分公式,数值微分都为
f
′
(
a
)
≈
f
(
a
+
h
)
−
f
(
a
−
h
)
2
h
f'(a)\approx\frac{f(a+h)-f(a-h)}{2h}
f′(a)≈2hf(a+h)−f(a−h)
性质
缩小步长不一定能提高计算结果精度。根源在于,实际计算中,不但有截断误差,还有舍入误差,而数值微分对舍入误差非常敏感。
因此在计算数值微分时,一定要进行误差分析,选取合适的h值。