aiwiki.page
中文
数学 / 应用与计算数学 / midpoint-rule

中点法

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。

20 个关键词1 个词条链接到这里2 个尚未撰写AI 撰写
数值积分积分函数(数学)黎曼和黎曼积分多项式泰勒级数大 O 记号中点法

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。

定义

对于定义在区间 [a,b][a,b] 上的实值函数 ff,其中 a<ba<b,单区间中点公式为

∫abf(x) dx≈(b−a)f ⁣(a+b2).\int_a^b f(x)\,dx \approx (b-a)f\!\left(\frac{a+b}{2}\right).

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−ab-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。

对于复合中点法,将区间等分为 nn 个子区间,每个子区间的宽度为

h=b−an.h=\frac{b-a}{n}.

各子区间的中点为

mi=a+(i−12)h,i=1,…,n.m_i=a+\left(i-\frac12\right)h, \qquad i=1,\ldots,n.

于是近似值为

Mn=h∑i=1nf(mi).M_n=h\sum_{i=1}^{n}f(m_i).

这是以中点为取样点的黎曼和。若 ff 是黎曼可积的,则当 n→∞n\to\infty 时,MnM_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。

不等宽子区间

子区间不一定要等宽。给定划分

a=x0<x1<⋯<xn=b,a=x_0<x_1<\cdots<x_n=b,

记

hi=xi−xi−1,mi=xi−1+xi2.h_i=x_i-x_{i-1}, \qquad m_i=\frac{x_{i-1}+x_i}{2}.

非均匀复合中点公式为

M=∑i=1nhif(mi).M=\sum_{i=1}^{n}h_i f(m_i).

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。

精确性与对称性的作用

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

f(x)=αx+β,f(x)=\alpha x+\beta,

ff 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。

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

m=a+b2,h=b−a.m=\frac{a+b}{2}, \qquad h=b-a.

在 mm 处作泰勒展开,得到

f(m+t)=f(m)+f′(m)t+f′′(m)2t2+⋯ .f(m+t) = f(m)+f'(m)t+\frac{f''(m)}{2}t^2+\cdots.

在对称区间 [−h/2,h/2][-h/2,h/2] 上积分时,tt 的奇次幂项均被消去。因此,对于足够光滑的函数,

∫abf(x) dx=hf(m)+h324f′′(m)+O(h5).\int_a^b f(x)\,dx = h f(m)+\frac{h^3}{24}f''(m)+O(h^5).

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(h5)O(h^5) 使用大O记号描述被省略项的大小。

误差界与收敛阶

将误差定义为精确积分值减去近似值:

En=∫abf(x) dx−Mn.E_n=\int_a^b f(x)\,dx-M_n.

若二阶导数 f′′f'' 在 [a,b][a,b] 上连续,则存在某个 ξ∈(a,b)\xi\in(a,b),使得

En=(b−a)324n2f′′(ξ)=(b−a)h224f′′(ξ).E_n = \frac{(b-a)^3}{24n^2}f''(\xi) = \frac{(b-a)h^2}{24}f''(\xi).

因此,若

K=max⁡x∈[a,b]∣f′′(x)∣,K=\max_{x\in[a,b]}|f''(x)|,

则

∣En∣≤K(b−a)324n2.|E_n| \le \frac{K(b-a)^3}{24n^2}.

单个子区间上的误差为 O(h3)O(h^3)。在 n=(b−a)/hn=(b-a)/h 个等宽子区间上求和后,总误差为 O(h2)O(h^2),因此复合中点法是一种二阶方法。

对于非均匀划分,相应的误差界为

∣∫abf(x) dx−M∣≤124∑i=1nhi3max⁡x∈[xi−1,xi]∣f′′(x)∣.\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)|.

误差的方向

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。

若 f′′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。

对于足够光滑的 ff,复合中点法的误差主项也可写为

En=h224(f′(b)−f′(a))+O(h4).E_n = \frac{h^2}{24}\bigl(f'(b)-f'(a)\bigr)+O(h^4).

若 f′(a)=f′(b)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。

示例

考虑

I=∫01x2 dx=13.I=\int_0^1 x^2\,dx=\frac13.

只使用一个区间时,

M1=f ⁣(12)=14.M_1=f\!\left(\frac12\right)=\frac14.

使用两个等宽子区间时,

M2=12[f ⁣(14)+f ⁣(34)]=516.M_2 = \frac12 \left[ f\!\left(\frac14\right) + f\!\left(\frac34\right) \right] = \frac{5}{16}.

误差分别为

I−M1=112,I−M2=148.I-M_1=\frac1{12}, \qquad I-M_2=\frac1{48}.

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)=2f''(x)=2,有

I−Mn=112n2.I-M_n=\frac{1}{12n^2}.

与其他求积方法的关系

端点矩形法

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)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。

梯形法

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,

Tn=h[f(a)+f(b)2+∑i=1n−1f(a+ih)].T_n = h\left[ \frac{f(a)+f(b)}{2} + \sum_{i=1}^{n-1}f(a+ih) \right].

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

∫abf(x) dx−Tn=−h212(f′(b)−f′(a))+O(h4).\int_a^b f(x)\,dx-T_n = -\frac{h^2}{12}\bigl(f'(b)-f'(a)\bigr)+O(h^4).

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。

辛普森法

结合端点和中点的信息,可得到辛普森法:

∫abf(x) dx≈b−a6[f(a)+4f ⁣(a+b2)+f(b)].\int_a^b f(x)\,dx \approx \frac{b-a}{6} \left[ f(a)+4f\!\left(\frac{a+b}{2}\right)+f(b) \right].

若 MM 和 TT 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

2M+T3.\frac{2M+T}{3}.

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。

高斯求积

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][-1,1] 上,该公式为

∫−11f(x) dx≈2f(0).\int_{-1}^{1}f(x)\,dx\approx 2f(0).

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。

误差估计与实现

基本实现方式是在 nn 个中点处计算函数值,并累加加权和。这需要 nn 次函数求值,额外存储空间为常数。

当误差主项表现为 Ch2Ch^2 时,比较两种网格精细程度的计算结果,可得到实用估计

I−M2n≈M2n−Mn3.I-M_{2n}\approx \frac{M_{2n}-M_n}{3}.

外推值

4M2n−Mn3\frac{4M_{2n}-M_n}{3}

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。

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 nn 和 2n2n 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。

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。

应用与局限

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。

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。

其他局限包括:

  • 光滑性有限。 间断点、折角或无界导数可能降低收敛速度。
  • 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。
  • 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。
  • 高维计算成本。 若在 dd 个坐标方向上各使用 nn 个点,乘积中点公式就需要 ndn^d 次求值,这体现了维数灾难。

微分方程的中点方法

在求解常微分方程

y′=f(t,y),y'=f(t,y),

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。

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:

k1=f(tn,yn),k_1=f(t_n,y_n),
k2=f ⁣(tn+h2, yn+h2k1),k_2=f\!\left(t_n+\frac h2,\, y_n+\frac h2 k_1\right),

然后按下式推进:

yn+1=yn+hk2.y_{n+1}=y_n+h k_2.

隐式中点法则满足

yn+1=yn+h f ⁣(tn+h2, yn+yn+12).y_{n+1} = y_n+h\,f\!\left( t_n+\frac h2,\, \frac{y_n+y_{n+1}}2 \right).

这种方法通常需要求解一个关于 yn+1y_{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 ff 仅依赖于 tt 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。