{
  "id": "numerical-integration",
  "title": "数值积分",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "数值积分通过加权求值、自适应细分、变量变换或采样来近似计算定积分，其精度受光滑性、维数和数值误差影响。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "数值求积"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/numerical-integration/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/numerical-integration/",
      "json": "https://aiwiki.page/en/numerical-integration.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "数值积分是通过对函数进行有限次求值，或利用有限个实测数据点，计算定积分近似值的方法。它是数值分析的核心课题之一，适用于无法求得原函数、使用原函数不便，或仅凭原函数不足以准确确定积分值的情形。英文术语 quadrature 尤其常用于一维积分，而 cubature 则通常指多维积分。\n\n数值积分涵盖简单的加权求和、基于多项式的高阶公式、将求值集中在难处理区域的自适应算法，以及用于高维问题的概率方法。其核心任务不仅是算出一个数值，还要厘清计算成本与近似误差及数值可靠性之间的关系。哪种方法最有效，取决于被积函数的光滑性、奇异性、振荡特征、维数，以及获取函数值的方式。"
    },
    {
      "heading": "数学表述与误差来源",
      "text": "对于有限区间，标准问题是用求积公式\n\n\\[Q_n(f)=\\sum_{i=1}^{n}w_i f(x_i),\\]\n\n来近似计算\n\n\\[I(f)=\\int_a^b f(x)\\,dx\\]\n\n其中，\\(x_i\\) 为节点，\\(w_i\\) 为权重。节点可以预先固定，也可以根据此前的求值结果自适应地选取。带权积分将 \\(dx\\) 替换为 \\(w(x)\\,dx\\)，而多重积分则将积分区间替换为高维空间中的区域。通过测度论定义的积分，包括概率测度下的期望，也属于这一通用框架，不过其计算方法可能有很大差异。\n\n求积公式的一项基本性质是代数精度：如果一个公式能精确积分所有次数不超过 \\(m\\) 的多项式，则称其代数精度为 \\(m\\)。这是一种代数性质，并不是普遍适用的精度排名。高代数精度的公式在间断点附近可能表现不佳，而较低代数精度的公式若用于经过精心细分的子区间，则可能达到很高的准确度。同样，公式的渐近阶描述的是：在给定的光滑性假设下，随着某一指定离散化方案不断细化，该公式所表现出的误差变化规律。用大O记号写出的 \\(O(h^4)\\) 这类估计，并未说明其中隐含常数的大小。\n\n计算总误差有多个来源。求积误差是精确积分值与理想加权和之差。计算 \\(f\\) 时的误差、浮点运算中的舍入误差，以及输入数据的不确定性，则是另外几类误差来源。如果计算所得的函数值满足 \\(\\widetilde f_i=f(x_i)+\\delta_i\\)，那么\n\n\\[\\left|\\sum_iw_i\\widetilde f_i-\\sum_iw_i f(x_i)\\right| \\leq \\sum_i|w_i|\\,|\\delta_i|.\\]\n\n因此，若权重均为正且总和为 \\(b-a\\)，就具有一种有用的稳定性：对于具有统一上界的绝对扰动，其放大倍数不会超过区间长度。如果权重中既有很大的正值，也有很大的负值，稳定性就可能差得多。\n\n相对精度还取决于积分内部的正负抵消。当 \\(I(f)\\ne0\\) 时，一个有用的相对敏感性度量是\n\n\\[\\kappa(f)=\\frac{\\int_a^b|f(x)|\\,dx}{|I(f)|}.\\]\n\n该值很大，意味着较大的正负贡献几乎相互抵消。这反映的是问题本身的条件数，不同于某个具体算法的数值稳定性。如果没有进一步的假设，任何有限样本集都无法保证对所有连续函数进行准确积分：一个未被采样到的窄峰就能改变积分值，同时使所有采样值保持不变。因此，要获得可靠的误差界，就需要导数界、解析性、有界变差性或概率采样模型等信息。"
    },
    {
      "heading": "插值型求积公式与复合公式",
      "text": "对被积函数在选定节点处进行插值，可以得到一大类求积公式。若\n\n\\[p(x)=\\sum_{i=1}^{n}f(x_i)\\ell_i(x),\\]\n\n其中 \\(\\ell_i\\) 为拉格朗日插值基多项式，则对 \\(p\\) 积分可得\n\n\\[Q_n(f)=\\sum_{i=1}^{n}f(x_i)\\int_a^b\\ell_i(x)\\,dx.\\]\n\n因此，每个权重都是一个基多项式的积分。由此得到的求积公式能精确积分所有次数不超过 \\(n-1\\) 的多项式；对称性还可能进一步提高其代数精度。这种构造将求积与逼近论直接联系起来，但逐点插值误差与积分误差的表现未必相同。\n\n牛顿–柯特斯公式采用等距节点。闭型公式包含两个端点，开型公式则不包含端点。梯形公式为\n\n\\[T=\\frac{b-a}{2}[f(a)+f(b)],\\]\n\n辛普森公式为\n\n\\[S=\\frac{b-a}{6} \\left[f(a)+4f\\!\\left(\\frac{a+b}{2}\\right)+f(b)\\right].\\]\n\n两者的代数精度分别为一和三。对于足够光滑的函数，它们在单个区间上的误差为\n\n\\[I-T=-\\frac{(b-a)^3}{12}f''(\\xi), \\qquad I-S=-\\frac{(b-a)^5}{2880}f^{(4)}(\\eta),\\]\n\n其中 \\(\\xi\\) 和 \\(\\eta\\) 是区间内部的适当点。这些公式既指明了所需的导数阶数，也给出了误差随区间宽度变化的尺度关系。\n\n复合求积公式将区间分成许多小段，并在每段上分别应用一个简单公式。令 \\(x_j=a+jh\\)，且 \\(h=(b-a)/N\\)，则复合梯形公式为\n\n\\[T_N=h\\left[\\frac{f(a)+f(b)}2+\\sum_{j=1}^{N-1}f(x_j)\\right].\\]\n\n当二阶导数有界时，其误差为 \\(O(h^2)\\)。复合辛普森公式使用偶数个等长子区间；当四阶导数有界时，其误差为 \\(O(h^4)\\)。例如，用梯形公式近似计算 \\(\\int_0^1x^2\\,dx\\)，所得结果恰为\n\n\\[T_N=\\frac13+\\frac{1}{6N^2},\\]\n\n而辛普森公式则能精确积分同一个函数。这些例子说明，依靠细化区间实现的收敛与对多项式积分的精确性是不同的概念。\n\n提高单个等距节点插值多项式的次数，通常不如细分区间可靠。高次插值可能在端点附近产生剧烈振荡，而且阶数足够高的闭型牛顿–柯特斯公式会出现负权重。复合低阶公式能够避开其中一些困难，尤其适用于已在均匀网格上取得数据的情形。对于非等距的测量数据，对分段线性插值函数积分可得\n\n\\[\\sum_j\\frac{x_{j+1}-x_j}{2}(y_j+y_{j+1}).\\]\n\n这一计算给出的是该插值函数下方的面积，并不能还原观测点之间未被分辨出的结构。测量不确定性和关于插值的假设，仍是积分问题需要考虑的因素。"
    },
    {
      "heading": "外推、周期性与谱收敛",
      "text": "有时，无须改变基本的采样规则，就能提高求积精度。对于足够光滑的函数，复合梯形公式具有由欧拉–麦克劳林公式给出的展开式：\n\n\\[T(h)=I+\\frac{h^2}{12}[f'(b)-f'(a)] -\\frac{h^4}{720}[f'''(b)-f'''(a)]+\\cdots.\\]\n\n其中的主导系数取决于两端点处各阶导数之差。这个展开式解释了为什么基于直线段的公式也能用于构造高得多阶的近似：在逐次加密的网格上得到的结果含有可预测的误差项，可以通过代数运算将其消去。\n\n理查森外推将不同步长下的近似结果组合起来。若 \\(A(h)=I+ch^p+O(h^{p+r})\\)，则\n\n\\[\\frac{2^pA(h/2)-A(h)}{2^p-1}\\]\n\n可以消去主导误差项。将其用于梯形公式的估计值，并取 \\(p=2\\)，第一次外推得到\n\n\\[\\frac{4T(h/2)-T(h)}3,\\]\n\n这正是相应网格上的辛普森公式。龙贝格积分在一个三角形表格中反复进行这一过程。令 \\(R_{k,0}=T(h_0/2^k)\\)，其递推关系为\n\n\\[R_{k,j}=R_{k,j-1} +\\frac{R_{k,j-1}-R_{k-1,j-1}}{4^j-1}.\\]\n\n随着网格加密，先前计算过的函数值可以重复利用。\n\n外推依赖于所假定的误差展开式。端点奇异性、间断以及分辨率不足，都可能使误差不再按预期的 \\(h\\) 的偶次幂变化，而呈现其他行为。此时，外推表可能收敛缓慢，也可能出现具有误导性的一致结果。即使对于光滑函数，舍入误差最终也会限制有效的外推次数，因为对彼此接近的近似值作差，会放大其差值中的不确定性。形式上的阶数可以不断提高，并不意味着每多做一次外推，都能改善实际的浮点计算结果。\n\n在通常认为梯形公式精度阶数较低的判断中，周期函数构成了一个尤为重要的例外。如果函数及其相关各阶导数在两端点处的值分别相等，欧拉–麦克劳林公式中相应的边界项就会消失。对于无穷次可微的周期函数，收敛速度可以快于任意固定的代数幂次；对于在实轴周围某一复数带状区域内解析的函数，在适当的有界性条件下，则可得到几何收敛。利用傅里叶级数还可以从另一个角度解释这一现象：等距采样能够精确积分低频傅里叶模态，而那些未被网格分辨、且频率为网格点数整数倍的模态则会产生混叠误差。\n\n克伦肖–柯蒂斯求积通过在 \\([-1,1]\\) 上按余弦分布的节点处采样，构造出另一类快速收敛的求积公式。其插值多项式用切比雪夫多项式表示，并以解析方式积分。系数可以利用与快速傅里叶变换相关的算法高效计算。将子区间数加倍时，已有节点仍会保留，因此加密的计算成本较低。对于解析的被积函数，收敛通常是几何级的；对于仅具有有限阶光滑性的被积函数，系数衰减和求积收敛则呈代数级。这些方法表明，节点的分布和函数的结构，可能比求积公式名义上的代数精度更为重要。"
    },
    {
      "heading": "高斯求积与正交多项式",
      "text": "高斯求积同时选取节点和权重，使求积公式的代数精度尽可能高。对于\n\n\\[I_w(f)=\\int_a^b f(x)w(x)\\,dx,\\]\n\n若权函数为正，且相应的矩存在并有限，则含 \\(n\\) 个节点的高斯求积公式对次数不超过 \\(2n-1\\) 的多项式均精确成立。在这些条件下，这是 \\(n\\) 节点求积公式所能达到的最高代数精度。要说明为什么无法达到 \\(2n\\) 次精度，可以考察\n\n\\[q(x)=\\prod_{i=1}^{n}(x-x_i)^2.\\]\n\n求积公式给出的 \\(q\\) 的积分值为零，但只要测度的支集足够丰富，\\(q\\) 的加权积分就为正。\n\n高斯节点是与 \\(w\\) 对应的 \\(n\\) 次正交多项式的零点。这里的正交性由以下内积定义：\n\n\\[\\langle p,q\\rangle=\\int_a^b p(x)q(x)w(x)\\,dx.\\]\n\n对于任意次数不超过 \\(2n-1\\) 的多项式 \\(p\\)，用正交多项式 \\(p_n\\) 作带余除法，可得 \\(p=sp_n+r\\)，其中 \\(s\\) 和 \\(r\\) 的次数均不超过 \\(n-1\\)。由正交性，\\(sp_n\\) 的积分为零；由于采用高斯节点，其求积值也为零。对余式 \\(r\\)，插值型求积公式的精确性即可保证结果准确。这一论证解释了高斯求积为何具有如此高的代数精度，而无须插值多项式本身达到 \\(2n-1\\) 次。\n\n高斯–勒让德求积在 \\([-1,1]\\) 上采用权函数 \\(1\\)。其两节点公式为\n\n\\[\\int_{-1}^{1}f(x)\\,dx \\approx f\\!\\left(-\\frac1{\\sqrt3}\\right) +f\\!\\left(\\frac1{\\sqrt3}\\right),\\]\n\n该公式能精确积分三次多项式。高斯–雅可比求积采用权函数 \\((1-x)^\\alpha(1+x)^\\beta\\)，其中 \\(\\alpha,\\beta>-1\\)；高斯–拉盖尔求积在 \\([0,\\infty)\\) 上采用 \\(x^\\alpha e^{-x}\\)；高斯–埃尔米特求积的一种常见约定则在整个实数轴上采用 \\(e^{-x^2}\\)。将已知的端点因子或尾部因子纳入权函数，可以使剩余的待逼近函数光滑得多。\n\n对于具有足够阶导数的 \\(f\\)，高斯–勒让德求积的误差为\n\n\\[I(f)-Q_n(f)= \\frac{2^{2n+1}(n!)^4} {(2n+1)[(2n)!]^3}f^{(2n)}(\\xi).\\]\n\n该公式既证明了求积的精确性，也能在导数有界时给出误差界，但高阶导数可能难以估计。对于解析函数，利用复邻域内的逼近往往能得到更实用的收敛界。高斯求积的权重均为正，这也有助于求和的数值稳定性。\n\n节点和权重可利用正交多项式的三项递推关系计算。1969 年发表的戈卢布–韦尔施方法构造一个对称三对角雅可比矩阵：其特征值给出节点，归一化特征向量的分量则决定权重。相关的高斯–拉道求积公式预先指定一个端点为节点，高斯–洛巴托求积公式则预先指定两个端点为节点；它们以牺牲部分代数精度为代价，将端点纳入节点。"
    },
    {
      "heading": "自适应求积与误差估计",
      "text": "自适应求积根据观测到的局部计算难度调整节点分布。典型算法先近似计算某个区间上的积分，估计局部误差，再对误差估计最大的区间进行细分。光滑区域可能只需少量函数求值，而薄层、尖点或奇点附近则需要更密集的节点。这与均匀细分不同：后者无论函数是否需要，都在各处投入相同的计算量。当每次函数求值的代价很高，且事先不知道难以处理的特征位于何处时，自适应方法尤其有用。\n\n自适应辛普森积分将一个区间上的辛普森估计值 \\(S\\) 与其两个半区间上的辛普森估计值之和 \\(S_2\\) 进行比较。在适用光滑函数误差主项模型的情况下，将子区间宽度减半会使合计误差大约缩小为原来的 \\(16\\) 分之一。因此，\n\n\\[I-S_2\\approx\\frac{S_2-S}{15},\\]\n\n修正后的近似值为 \\(S_2+(S_2-S)/15\\)。由于两次计算共用了若干函数值，这一差值能以较低的计算成本提供误差指标。不过，它是渐近估计，而非无条件成立的误差界。\n\n许多通用算法则采用高斯–克龙罗德求积。克龙罗德扩展保留了 \\(n\\) 点高斯求积公式的节点，并增加 \\(n+1\\) 个节点。得到的 \\(2n+1\\) 点公式通常具有高得多的代数精度，而两个估计值之差则用于指示局部误差。常用的公式对分别含有 7 个与 15 个节点，或 10 个与 21 个节点。由于复用了高斯节点，这种配对的计算成本远低于两个节点数相近、但彼此无关的求积公式。\n\n全局自适应算法维护一组当前待处理的子区间，并将各子区间的积分估计值相加。算法还会合并局部误差指标，通常采用求和的方式，并反复细分估计误差贡献最大的区间。常见的目标是\n\n\\[E_{\\mathrm{est}}\\leq \\max\\!\\left(\\varepsilon_{\\mathrm{abs}}, \\varepsilon_{\\mathrm{rel}}|Q|\\right),\\]\n\n其中，\\(Q\\) 为当前的积分近似值。当积分为零，或因正负抵消而很小时，绝对容差至关重要。实际计算是否终止，还取决于函数求值次数的预算、细分次数的上限，以及浮点运算能否继续表示彼此不同的内部节点。\n\n误差估计容易受到未被采样捕捉到的特征影响。一个窄峰可能恰好避开所有采样节点，振荡也可能使两个求积公式在并不准确的情况下给出一致结果。因此，通常会将已知的间断点或奇点明确设为细分边界。更复杂的估计方法会考察多个差值、变差度量或外推序列，但任何方法都无法免除对函数类别作出假设的必要。算法以成功状态终止，只意味着其内部判据已得到满足；这一状态本身并不构成对所报告误差的数学证明。"
    },
    {
      "heading": "奇异积分、反常积分与振荡积分",
      "text": "可积的奇点可能使常规的光滑函数求积公式收敛缓慢。例如，\\(\\int_0^1x^{-1/2}\\,dx\\) 存在，但需要在零点取值的求积公式无法直接应用。作代换 \\(x=t^2\\)，有\n\n\\[\\int_0^1 f(x)\\,dx=\\int_0^1 2t\\,f(t^2)\\,dt,\\]\n\n于是，奇异的被积函数 \\(f(x)=x^{-1/2}\\) 变为常数 \\(2\\)。更一般地，变量代换可以减弱端点处的代数型奇异性，而带权高斯求积公式则可以直接将已知因子纳入权函数。在内部奇点处分割积分区间，可以将问题转化为端点奇异性问题，但仍可能需要避免在奇点处求值。\n\n对于无穷区间，需要单独处理尾部。变换 \\(x=t/(1-t)\\) 给出\n\n\\[\\int_0^\\infty f(x)\\,dx =\\int_0^1 f\\!\\left(\\frac{t}{1-t}\\right)\\frac{dt}{(1-t)^2}.\\]\n\n虽然积分区间变为有限区间，但变换后的函数可能在端点处出现奇异性。另一种办法是在有限的 \\(R\\) 处截断，将 \\([0,R]\\) 上的求积误差与 \\(R\\) 之外的尾部误差分开；后者需要另行估计。当函数的衰减形式与相应权函数匹配时，高斯–拉盖尔公式和高斯–埃尔米特公式十分有效。没有哪一种变量代换能自动使所有反常积分都变得容易计算。\n\n双曲正切–双曲正弦求积法由高桥秀俊和森正武于 1974 年提出，在 \\((-1,1)\\) 上积分时采用变换\n\n\\[x=\\tanh\\!\\left(\\frac{\\pi}{2}\\sinh t\\right)\\]\n\n随后对变量 \\(t\\) 使用梯形求和。随着 \\(|t|\\) 增大，该变换的导数以双指数速度衰减。对于广泛的一类端点奇异性，这会使变换后的被积函数迅速衰减，从而实现高效的数值收敛。不过，实现时仍须妥善处理极其接近端点的节点，并避免节点值因舍入而变成端点值，导致信息丢失。\n\n高振荡积分带来的是另一种困难。对于\n\n\\[I(\\omega)=\\int_a^b g(x)e^{i\\omega\\phi(x)}\\,dx,\\]\n\n随着 \\(|\\omega|\\) 增大，通用方法可能仅为准确捕捉正负贡献的抵消，就需要大量采样。Filon 型方法近似缓慢变化的振幅，再将其与振荡因子的乘积积分。Levin 型方法则寻找一个辅助函数 \\(p\\)，使其近似满足\n\n\\[p'(x)+i\\omega\\phi'(x)p(x)=g(x),\\]\n\n从而可以利用 \\(p(x)e^{i\\omega\\phi(x)}\\) 的边界值求得积分。满足 \\(\\phi'(x)=0\\) 的驻点需要特殊处理；这些点附近的局部渐近行为与非驻相区域不同。\n\n柯西主值不同于通常的反常积分。若 \\(a<c<b\\)，则可通过下式显式分离出一阶极点两侧的抵消：\n\n\\[\\operatorname{PV}\\int_a^b\\frac{f(x)}{x-c}\\,dx = \\int_a^b\\frac{f(x)-f(c)}{x-c}\\,dx +f(c)\\log\\!\\left(\\frac{b-c}{c-a}\\right).\\]\n\n对于可微的 \\(f\\)，右侧第一个被积函数具有可去奇点，其极限值为 \\(f'(c)\\)。这一恒等式说明，积分的精确定义为何会影响计算：主值计算程序所执行的取极限过程，不同于分别计算两侧的单边反常积分。"
    },
    {
      "heading": "多维确定性积分",
      "text": "对于区域 \\(D\\subset\\mathbb R^d\\)，数值积分的目标是计算\n\n\\[I=\\int_D f(\\mathbf x)\\,d\\mathbf x.\\]\n\n最简单的构造是在每个坐标方向上应用一维求积公式。每个坐标方向取 \\(m\\) 个节点的张量积求积公式需要进行 \\(m^d\\) 次函数求值。当 \\(m=10\\) 时，二维情形需要 \\(100\\) 次求值，而十维情形则需要 \\(10^{10}\\) 次。这种指数增长是维数灾难的典型表现。即使一维公式的精度极高，它也会限制直接使用张量积求积公式的可行性。\n\n当区域的积分限便于表示时，也可以逐次进行一维积分。外层自适应算法在每个选定的外层节点处调用内层积分程序。这种方法能够处理可变积分限，但也带来了嵌套的误差控制问题：外层算法接收到的函数值是内层计算给出的近似值。如果内层容差过于宽松，其误差可能干扰外层算法的收敛；如果容差设得过严，又会浪费大量计算。相比之下，直接的多维自适应求积通过细分区域并应用局部多维求积公式来计算积分，通常借助各方向的指标来决定沿哪个坐标方向细分。\n\n几何问题通常通过变量变换来处理。对于适当的映射 \\(\\mathbf x=\\Phi(\\mathbf u)\\)，有\n\n\\[\\int_D f(\\mathbf x)\\,d\\mathbf x = \\int_U f(\\Phi(\\mathbf u)) \\left|\\det D\\Phi(\\mathbf u)\\right|\\,d\\mathbf u.\\]\n\n雅可比矩阵的行列式反映了体积的伸缩。因此，矩形、三角形、四面体、球体和曲边单元需要采用不同的映射或专用求积公式。几何上有效的映射仍可能使雅可比行列式或变换后的被积函数出现剧烈变化，因此，几何上的简化与数值计算所需的正则性是两个不同的考量。\n\n稀疏网格方法组合不同层级的张量积求积公式，同时省略许多在所有坐标方向上都采用高分辨率的组合。1963 年提出的斯莫利亚克构造是其中的代表。对于混合导数有界的函数，固定维数下常见的一类误差估计具有如下形式：\n\n\\[O\\!\\left(N^{-r}(\\log N)^{c(d,r)}\\right),\\]\n\n其中，\\(r\\) 表示光滑程度，对数项的指数取决于维数和具体构造。这些方法能够大幅降低中等维数问题的计算成本，但混合正则性假设以及依赖于维数的常数仍然十分重要。各向异性变体则为影响较大的坐标方向分配更高的分辨率。\n\n问题的结构可能比名义维数更重要。一个函数可能主要依赖少数几个变量，也可能具有精确度较高的低秩近似表示，例如\n\n\\[f(x_1,\\ldots,x_d)\\approx \\sum_{k=1}^{R}\\prod_{j=1}^{d}g_{jk}(x_j).\\]\n\n在乘积区域上，对这一表示积分可归结为计算若干组一维积分。因此，坐标变换、可分离展开和自适应维度选择能够使看似高维的问题变得易于处理。这些收益依赖于对结构的识别；对于任意的多变量函数，并不存在相应的保证。"
    },
    {
      "heading": "蒙特卡洛积分与拟蒙特卡洛积分",
      "text": "数值积分与概率密切相关，因为积分往往可以表示为期望值。若 \\(X\\) 在体积为 \\(V\\) 的有限体积区域 \\(D\\) 上服从均匀分布，则\n\n\\[I=V\\,\\mathbb E[f(X)].\\]\n\n蒙特卡洛方法利用独立样本估计这一期望值：\n\n\\[\\widehat I_N=\\frac{V}{N}\\sum_{k=1}^{N}f(X_k).\\]\n\n当方差有限时，\n\n\\[\\operatorname{Var}(\\widehat I_N) =\\frac{V^2\\operatorname{Var}(f(X))}{N}.\\]\n\n因此，均方根误差按 \\(N^{-1/2}\\) 的速率减小。这个指数并不显式依赖于维数，但方差和获取样本的成本可能强烈依赖于维数。\n\n在通常的独立同分布且方差有限的假设下，中心极限定理为根据估计的标准误构造近似不确定性区间提供了依据。与基于导数的确定性误差界不同，这些区间具有概率意义。如果对稀有事件的采样不足、分布具有重尾，或方差无穷大，这些区间就可能不可靠。大数定律在适当的可积性假设下保证收敛，但其本身并不能给出有用的有限样本误差估计。\n\n重要性采样不采用均匀采样，而是从密度 \\(q\\) 中抽样，并利用\n\n\\[I=\\mathbb E_q\\!\\left[\\frac{f(X)}{q(X)}\\right].\\]\n\n该密度必须覆盖相关的支撑集，而要使方差有限，还需对 \\(f^2/q\\) 施加适当的控制。若提议分布集中在对积分贡献较大的区域，就能显著减小误差；若提议分布与被积函数不够匹配，则可能增大误差，甚至导致方差无穷大。其他方差缩减方法包括分层采样、对偶采样和控制变量法。控制变量法减去一个与被积函数相关且积分已知的函数，从而只需对较小的残差进行随机估计。\n\n拟蒙特卡洛方法用经过精心布置的低差异点代替独立随机点，包括 Sobol’ 序列和格点构造。在单位立方体上，Koksma–Hlawka 不等式表明\n\n\\[\\left| \\frac1N\\sum_{k=1}^{N}f(\\mathbf x_k) -\\int_{[0,1]^d}f(\\mathbf x)\\,d\\mathbf x \\right| \\leq V_{\\mathrm{HK}}(f)D_N^*,\\]\n\n其中，\\(V_{\\mathrm{HK}}\\) 为 Hardy–Krause 变差，\\(D_N^*\\) 为星差异度。该界要求变差有限，而且往往难以通过数值计算求得。它说明了实现确定性收敛的一种途径，而非提供普遍适用的实用误差范围。\n\n随机化拟蒙特卡洛方法将具有特定结构的点集与随机平移或扰乱相结合。适当的随机化方式既能保持均匀的边缘分布，又能通过多次独立随机化重复计算来估计不确定性。对于足够规则的函数，其表现可能显著优于普通蒙特卡洛方法，尤其是在有效维数较低时。如果样本来自马尔可夫链蒙特卡洛，样本间的依赖性就会改变均值的方差，此时必须考虑自相关和有效样本量。不能将独立样本的误差公式直接套用于相关输出。"
    },
    {
      "heading": "历史发展与计算应用",
      "text": "数值积分起源于求积这一几何问题：通过与较简单的图形比较来求取面积。公元前3世纪，阿基米德就使用了穷竭法，其中一个著名例子是求抛物线弓形的面积。这类论证通过取极限的几何构造得到精确结果，而非采用现代浮点算法。17世纪微积分的出现阐明了面积与求原函数之间的关系，却并未消除数值近似的必要性。许多定积分仍然难以用闭式表达式方便地求值。\n\n以艾萨克·牛顿和罗杰·科茨命名的插值型公式在18世纪成为计算方法的一部分。卡尔·弗里德里希·高斯于1814年提出了具有最优代数精度的求积构造。机械计算以及后来的电子计算机使研究重点转向高效生成节点、自动加密和可计算的误差指标。维尔纳·龙贝格于1955年发表了他的外推法；亚历山大·克龙罗德则在20世纪60年代提出了高斯求积公式的嵌入式扩展。这些进展使经典公式得以组织成自动积分程序，而不再仅仅用于独立的手工计算。\n\nQUADPACK库的文档于1983年出版，该库成为自适应一维积分领域颇具影响力的实现。它针对一般有限区间、无穷区间、已知的难处理点、振荡因子及相关特殊情形，组织了不同的计算程序。这种组织方式体现了一条长期适用的计算原则：没有哪一种算法对所有被积函数都始终最优。通用例程很有价值，但其运行依赖于有关采样、正则性和误差行为的假设。即使已有通用例程可用，问题的特殊结构仍可能成为采用其他方法的理由。\n\n在有限元法中，求积用于计算单元刚度矩阵、质量矩阵和载荷向量。对于仿射单元，多项式基函数和多项式系数可以使求积精度要求变得可预先确定。曲线映射和非线性材料本构关系则会使被积函数更为复杂。欠积分可以降低计算成本或缓解某些锁死效应，但也可能引入伪零能模态。在贝叶斯推断中，后验期望和边际似然的计算都涉及积分；确定性求积在低维情形下很有用，而采样方法在规模更大的问题中占据重要地位。其他应用还包括力学中的响应积分、输运计算，以及卷积和变换公式的求值。\n\n实际性能并不只取决于节点数量。一次求值可能只是计算一个简单的初等表达式，也可能涉及代价高昂的仿真，或带噪声的实验数据。批量求值和并行计算更适合能够预先生成大量节点的方法，而顺序自适应过程会引入调度依赖。成对求和或补偿求和可以减少累积误差，在存在相消时尤其如此。计算记录通常包括近似值、估计误差、求值次数以及任何终止警告。借助这些信息，可以区分计算精度已得到充分保障的结果，与耗尽求值预算后得到的一个貌似可信的数值。"
    }
  ],
  "links": [
    "mathematical-function",
    "integral",
    "numerical-analysis",
    "antiderivative",
    "measure-theory",
    "polynomial",
    "big-o-notation",
    "floating-point-arithmetic",
    "condition-number",
    "numerical-stability",
    "interpolation",
    "fourier-series",
    "fast-fourier-transform",
    "orthogonal-polynomials",
    "inner-product",
    "recurrence-relation",
    "eigenvalues-and-eigenvectors",
    "tensor-product",
    "curse-of-dimensionality",
    "jacobian-matrix",
    "probability",
    "expected-value",
    "monte-carlo-method",
    "central-limit-theorem",
    "standard-error",
    "law-of-large-numbers",
    "markov-chain-monte-carlo",
    "archimedes",
    "method-of-exhaustion",
    "calculus",
    "carl-friedrich-gauss",
    "finite-element-method",
    "bayesian-inference",
    "marginal-likelihood",
    "parallel-computing"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}