{
  "id": "midpoint-rule",
  "title": "中点法",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "中点法以各子区间中点处的函数值为矩形高度，将矩形面积相加来近似计算定积分。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "中点求积公式",
    "中点矩形法",
    "复合中点公式"
  ],
  "generated_at": "2026-11-06",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/midpoint-rule/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/midpoint-rule/",
      "json": "https://aiwiki.page/en/midpoint-rule.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "中点法是一种数值积分方法：在区间中点处计算被积函数的值，再乘以区间宽度，以此近似计算定积分。其复合形式将积分区间划分为较小的子区间，再将各子区间上的中点近似值相加。对于足够光滑的函数，复合中点法具有二阶精度：子区间宽度减半时，误差的主项缩小至原来的四分之一。“中点法”这一名称也用于求解微分方程的相关方法，但这些方法与求积方法有所区别。"
    },
    {
      "heading": "定义",
      "text": "对于定义在区间 \\([a,b]\\) 上的实值函数 \\(f\\)，其中 \\(a<b\\)，单区间中点公式为\n\n\\[\\int_a^b f(x)\\,dx \\approx (b-a)f\\!\\left(\\frac{a+b}{2}\\right).\\]\n\n从几何上看，这一公式用一个矩形的有向面积来代替函数图像下的面积。矩形的宽为 \\(b-a\\)，高为函数在区间中点处的值。函数值位于横轴下方时，对应的有向面积为负。\n\n对于复合中点法，将区间等分为 \\(n\\) 个子区间，每个子区间的宽度为\n\n\\[h=\\frac{b-a}{n}.\\]\n\n各子区间的中点为\n\n\\[m_i=a+\\left(i-\\frac12\\right)h, \\qquad i=1,\\ldots,n.\\]\n\n于是近似值为\n\n\\[M_n=h\\sum_{i=1}^{n}f(m_i).\\]\n\n这是以中点为取样点的黎曼和。若 \\(f\\) 是黎曼可积的，则当 \\(n\\to\\infty\\) 时，\\(M_n\\) 收敛于其积分值。但仅凭这种收敛性，并不能得出光滑函数所具有的二阶误差收敛速度。\n\n不等宽子区间\n\n子区间不一定要等宽。给定划分\n\n\\[a=x_0<x_1<\\cdots<x_n=b,\\]\n\n记\n\n\\[h_i=x_i-x_{i-1}, \\qquad m_i=\\frac{x_{i-1}+x_i}{2}.\\]\n\n非均匀复合中点公式为\n\n\\[M=\\sum_{i=1}^{n}h_i f(m_i).\\]\n\n采用不等宽子区间，可以在被积函数变化迅速的区域加密划分，在较平滑的区域使用较粗的划分。"
    },
    {
      "heading": "精确性与对称性的作用",
      "text": "中点法能够精确计算所有次数不超过一的多项式的积分。对于\n\n\\[f(x)=\\alpha x+\\beta,\\]\n\n\\(f\\) 在区间上的平均值等于其中点处的函数值。因此，该方法的代数精度为一：它对所有常数多项式和一次多项式都精确成立，但并非对所有二次多项式都精确成立。\n\n相较于左端点或右端点矩形法，中点法精度更高，这源于其对称性。设\n\n\\[m=\\frac{a+b}{2}, \\qquad h=b-a.\\]\n\n在 \\(m\\) 处作泰勒展开，得到\n\n\\[f(m+t) = f(m)+f'(m)t+\\frac{f''(m)}{2}t^2+\\cdots.\\]\n\n在对称区间 \\([-h/2,h/2]\\) 上积分时，\\(t\\) 的奇次幂项均被消去。因此，对于足够光滑的函数，\n\n\\[\\int_a^b f(x)\\,dx = h f(m)+\\frac{h^3}{24}f''(m)+O(h^5).\\]\n\n一阶导数项的消去解释了为什么在子区间宽度相同的情况下，中点取样比单侧端点取样更精确。这里的 \\(O(h^5)\\) 使用大O记号描述被省略项的大小。"
    },
    {
      "heading": "误差界与收敛阶",
      "text": "将误差定义为精确积分值减去近似值：\n\n\\[E_n=\\int_a^b f(x)\\,dx-M_n.\\]\n\n若二阶导数 \\(f''\\) 在 \\([a,b]\\) 上连续，则存在某个 \\(\\xi\\in(a,b)\\)，使得\n\n\\[E_n = \\frac{(b-a)^3}{24n^2}f''(\\xi) = \\frac{(b-a)h^2}{24}f''(\\xi).\\]\n\n因此，若\n\n\\[K=\\max_{x\\in[a,b]}|f''(x)|,\\]\n\n则\n\n\\[|E_n| \\le \\frac{K(b-a)^3}{24n^2}.\\]\n\n单个子区间上的误差为 \\(O(h^3)\\)。在 \\(n=(b-a)/h\\) 个等宽子区间上求和后，总误差为 \\(O(h^2)\\)，因此复合中点法是一种二阶方法。\n\n对于非均匀划分，相应的误差界为\n\n\\[\\left|\\int_a^b f(x)\\,dx-M\\right| \\le \\frac{1}{24} \\sum_{i=1}^{n} h_i^3 \\max_{x\\in[x_{i-1},x_i]}|f''(x)|.\\]\n\n误差的方向\n\n对于凸函数，中点处的函数值不大于函数在整个区间上的平均值。因此，中点法会低估积分值。对于凹函数，中点法则会高估积分值。\n\n若 \\(f''\\) 发生变号，不同子区间上的误差可能相互抵消。因此，实际近似结果可能比一般误差界所预示的精确得多。\n\n对于足够光滑的 \\(f\\)，复合中点法的误差主项也可写为\n\n\\[E_n = \\frac{h^2}{24}\\bigl(f'(b)-f'(a)\\bigr)+O(h^4).\\]\n\n若 \\(f'(a)=f'(b)\\)，二阶主项便会消失，从而可能获得更快的收敛速度。"
    },
    {
      "heading": "示例",
      "text": "考虑\n\n\\[I=\\int_0^1 x^2\\,dx=\\frac13.\\]\n\n只使用一个区间时，\n\n\\[M_1=f\\!\\left(\\frac12\\right)=\\frac14.\\]\n\n使用两个等宽子区间时，\n\n\\[M_2 = \\frac12 \\left[ f\\!\\left(\\frac14\\right) + f\\!\\left(\\frac34\\right) \\right] = \\frac{5}{16}.\\]\n\n误差分别为\n\n\\[I-M_1=\\frac1{12}, \\qquad I-M_2=\\frac1{48}.\\]\n\n子区间数加倍后，误差恰好缩小为原来的四分之一。更一般地，由于 \\(f''(x)=2\\)，有\n\n\\[I-M_n=\\frac{1}{12n^2}.\\]"
    },
    {
      "heading": "与其他求积方法的关系",
      "text": "端点矩形法\n\n左端点法和右端点法使用每个子区间的一个端点，而非中点。对于一般的光滑函数，其复合公式的误差为一阶，即 \\(O(h)\\)。中点法使用相同次数的函数求值，通常却能达到二阶精度。\n\n梯形法\n\n梯形法用连接端点函数值的直线来近似被积函数。在均匀网格上，\n\n\\[T_n = h\\left[ \\frac{f(a)+f(b)}{2} + \\sum_{i=1}^{n-1}f(a+ih) \\right].\\]\n\n它同样是二阶方法。当子区间宽度相同且函数足够光滑时，其误差主项为\n\n\\[\\int_a^b f(x)\\,dx-T_n = -\\frac{h^2}{12}\\bigl(f'(b)-f'(a)\\bigr)+O(h^4).\\]\n\n因此，当上式中的端点导数之差非零时，梯形法的误差主项与中点法符号相反，大小为其两倍。这是一种渐近比较，并不意味着对于任意函数或网格，两种方法的优劣都有固定排序。\n\n辛普森法\n\n结合端点和中点的信息，可得到辛普森法：\n\n\\[\\int_a^b f(x)\\,dx \\approx \\frac{b-a}{6} \\left[ f(a)+4f\\!\\left(\\frac{a+b}{2}\\right)+f(b) \\right].\\]\n\n若 \\(M\\) 和 \\(T\\) 分别表示单区间中点近似值和梯形近似值，则这一表达式为\n\n\\[\\frac{2M+T}{3}.\\]\n\n这种组合消去了两者的误差主项。辛普森法对次数不超过三的多项式精确成立，并且在适当的光滑性假设下，其复合形式具有四阶精度。\n\n高斯求积\n\n中点法就是单节点高斯–勒让德求积公式，是高斯求积的一种特例。在 \\([-1,1]\\) 上，该公式为\n\n\\[\\int_{-1}^{1}f(x)\\,dx\\approx 2f(0).\\]\n\n在这个区间上，它是唯一能够精确计算所有一次多项式积分的单节点求积公式。"
    },
    {
      "heading": "误差估计与实现",
      "text": "基本实现方式是在 \\(n\\) 个中点处计算函数值，并累加加权和。这需要 \\(n\\) 次函数求值，额外存储空间为常数。\n\n当误差主项表现为 \\(Ch^2\\) 时，比较两种网格精细程度的计算结果，可得到实用估计\n\n\\[I-M_{2n}\\approx \\frac{M_{2n}-M_n}{3}.\\]\n\n外推值\n\n\\[\\frac{4M_{2n}-M_n}{3}\\]\n\n消去了二阶误差主项；当所需的光滑误差展开成立时，该值具有四阶精度。\n\n若无额外假设，这类估计并不能保证给出误差界。窄峰或未被分辨出的振荡可能同时被两种网格遗漏，使两者结果的一致性产生误导。此外，分别含 \\(n\\) 和 \\(2n\\) 个子区间的普通中点网格并不嵌套：原网格的中点并不是加密网格上的取样点。\n\n在浮点运算中，舍入误差最终可能限制网格加密所带来的收益。对大量数值求和，尤其是在数值之间存在显著抵消时，会引入独立于求积误差之外的误差。"
    },
    {
      "heading": "应用与局限",
      "text": "当被积函数求值成本较低、只需中等精度，或取样值本身就对应网格单元中心时，中点法十分实用。它也用于有限体积法：单元上的积分可以用该单元的体积乘以具有代表性的中点值来近似。\n\n中点法不在区间端点处取样。当某个端点处的函数值未定义时，这可能带来便利，但并不能消除奇点的影响：若导数在端点附近无界，通常的二阶误差界就可能失效。\n\n其他局限包括：\n\n- 光滑性有限。 间断点、折角或无界导数可能降低收敛速度。\n- 未被分辨的结构。 窄峰和快速振荡可能需要专门的网格或方法。\n- 取样位置固定。 除非已有数据的位置恰好与所需中点吻合，否则通常无法直接使用这些数据；插值会引入额外误差。\n- 高维计算成本。 若在 \\(d\\) 个坐标方向上各使用 \\(n\\) 个点，乘积中点公式就需要 \\(n^d\\) 次求值，这体现了维数灾难。"
    },
    {
      "heading": "微分方程的中点方法",
      "text": "在求解常微分方程\n\n\\[y'=f(t,y),\\]\n\n的数值方法中，“中点法”通常指显式或隐式的二阶时间步进方法。\n\n显式中点法是一种龙格—库塔方法，它首先估计一个时间步中点处的状态：\n\n\\[k_1=f(t_n,y_n),\\]\n\n\\[k_2=f\\!\\left(t_n+\\frac h2,\\, y_n+\\frac h2 k_1\\right),\\]\n\n然后按下式推进：\n\n\\[y_{n+1}=y_n+h k_2.\\]\n\n隐式中点法则满足\n\n\\[y_{n+1} = y_n+h\\,f\\!\\left( t_n+\\frac h2,\\, \\frac{y_n+y_{n+1}}2 \\right).\\]\n\n这种方法通常需要求解一个关于 \\(y_{n+1}\\) 的方程。尽管两种方法都在中点处求值，但它们的数值稳定性有显著差异。当 \\(f\\) 仅依赖于 \\(t\\) 时，两者都退化为对一个时间步内的积分应用中点求积公式。"
    }
  ],
  "links": [
    "numerical-integration",
    "integral",
    "mathematical-function",
    "riemann-sum",
    "riemann-integral",
    "polynomial",
    "taylor-series",
    "big-o-notation",
    "derivative",
    "convex-function",
    "trapezoidal-rule",
    "floating-point-arithmetic",
    "finite-volume-method",
    "interpolation",
    "curse-of-dimensionality",
    "ordinary-differential-equation",
    "runge-kutta-methods",
    "numerical-stability"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}