跳转至

数值积分

定积分的定义

简单来说,函数 在区间 上的定积分 指的是 在区间 中与 轴围成的区域的面积(其中 轴上方的部分为正值, 轴下方的部分为负值)。

很多情况下,我们需要高效,准确地求出一个积分的近似值。下面介绍的 辛普森法,就是这样一种求数值积分的方法。

辛普森法

这个方法的思想是将被积区间分为若干小段,每段套用二次函数的积分公式进行计算。

二次函数积分公式(辛普森公式)

对于一个二次函数 ,有:

推导过程: 对于一个二次函数 ; 求积分可得 在这里 D 是一个常数,那么

根据这个辛普森公式,我们先介绍一种普通的辛普森积分法。

普通辛普森法

1743 年,这种方法发表于托马斯·辛普森的一篇论文中。

描述

给定一个自然数 ,将区间 分成 个等长的区间

我们就可以计算每个小区间 的积分值,将所有区间的积分值相加即为总积分。

对于 的一个区间,选其中的三个点 就可以构成一条抛物线从而得到一个函数 ,这个函数存在且唯一。计算原函数在该区间的积分值就变成了计算新的二次函数 在该段区间的积分值。这样我们就可以利用辛普森公式来近似计算它。

将其分段求和即可得到如下结论:

误差

我们直接给出结论,普通辛普森法的误差为:

其中 是位于区间 的某个值。

实现

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
const int N = 1000 * 1000;

double simpson_integration(double a, double b) {
  double h = (b - a) / N;
  double s = f(a) + f(b);
  for (int i = 1; i <= N - 1; ++i) {
    double x = a + h * i;
    s += f(x) * ((i & 1) ? 4 : 2);
  }
  s *= h / 3;
  return s;
}
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
N = 1000 * 1000


def simpson_integration(a, b):
    h = (b - a) / N
    s = f(a) + f(b)
    for i in range(1, N):
        x = a + h * i
        if i & 1:
            s = s + f(x) * 4
        else:
            s = s + f(x) * 2
    s = s * (h / 3)
    return s

自适应辛普森法

普通的方法为保证精度在时间方面无疑会受到 的限制,我们应该找一种更加合适的方法。

现在唯一的问题就是如何进行分段。如果段数少了计算误差就大,段数多了时间效率又会低。我们需要找到一个准确度和效率的平衡点。

我们这样考虑:假如有一段图像已经很接近二次函数的话,直接带入公式求积分,得到的值精度就很高了,不需要再继续分割这一段了。

于是我们有了这样一种分割方法:每次判断当前段和二次函数的相似程度,如果足够相似的话就直接代入公式计算,否则将当前段分割成左右两段递归求解。

现在就剩下一个问题了:如果判断每一段和二次函数是否相似?

我们把当前段直接代入公式求积分,再将当前段从中点分割成两段,把这两段再直接代入公式求积分。如果当前段的积分和分割成两段后的积分之和相差很小的话,就可以认为当前段和二次函数很相似了,不用再递归分割了。

上面就是自适应辛普森法的思想。在分治判断的时候,除了判断精度是否正确,一般还要强制执行最少的迭代次数。

参考代码如下:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
double simpson(double l, double r) {
  double mid = (l + r) / 2;
  return (r - l) * (f(l) + 4 * f(mid) + f(r)) / 6;  // 辛普森公式
}

double asr(double l, double r, double eps, double ans, int step) {
  double mid = (l + r) / 2;
  double fl = simpson(l, mid), fr = simpson(mid, r);
  if (abs(fl + fr - ans) <= 15 * eps && step < 0)
    return fl + fr + (fl + fr - ans) / 15;  // 足够相似的话就直接返回
  return asr(l, mid, eps / 2, fl, step - 1) +
         asr(mid, r, eps / 2, fr, step - 1);  // 否则分割成两段递归求解
}

double calc(double l, double r, double eps) {
  return asr(l, r, eps, simpson(l, r), 12);
}
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
def simpson(l, r):
    mid = (l + r) / 2
    return (r - l) * (f(l) + 4 * f(mid) + f(r)) / 6  # 辛普森公式


def asr(l, r, eps, ans, step):
    mid = (l + r) / 2
    fl = simpson(l, mid)
    fr = simpson(mid, r)
    if abs(fl + fr - ans) <= 15 * eps and step < 0:
        return fl + fr + (fl + fr - ans) / 15  # 足够相似的话就直接返回
    return asr(l, mid, eps / 2, fl, step - 1) + asr(
        mid, r, eps / 2, fr, step - 1
    )  # 否则分割成两段递归求解


def calc(l, r, eps):
    return asr(l, r, eps, simpson(l, r), 12)

习题

参考资料

https://doi.org/10.1145/321526.321537:该文章讨论了自适应 Simpson 法的改进方案,其中详细论述了上文代码中的常数 15 的由来与优势。