第 4 章 · 数值积分：从梯形到自适应

算 $\int_a^b f(x)dx$：函数值能取但原函数求不出，是数值积分的常规场景。这一章的路线图：低阶公式 → 高阶公式 → 自适应分配算力 → 特殊困难（振荡、奇异）。

牛顿-科茨家族

等距节点的插值积分：梯形（2 点，$O(h^2)$）、Simpson（3 点，$O(h^4)$）。简单可靠，是"闭式公式"的基础。误差阶由奇偶性决定：$n$ 点公式的阶是 $n$（偶数点）或 $n-1$（奇数点）——Simpson 与 4 点公式的阶相同，所以 4 点白花钱，这是选型的著名陷阱。

高斯求积：最优点数的艺术

自由选节点位置，$n$ 个点可精确积分 $2n-1$ 次多项式——比牛顿-科茨同点数高近一倍。Gauss-Legendre 是一般区间的主力；权函数带奇性时用 Gauss-Chebyshev 等变体直接吸收权。工程上常用现成的 10 点公式，$10$ 次函数调用拿 19 阶精度。

自适应求积：把算力花在刀刃上

每个子区间用两个阶（如 G7-K15：7 点与 15 点）的结果差作误差估计，不达标就再分。函数在某处剧烈变化时网格自动加密，平坦区自动变粗——这是黑盒积分的工业标准（QUADPACK、scipy.integrate 的内核）。

奇异与振荡的专药

• 端点奇异 $\int_0^1 x^{-1/2}f(x)dx$：变量代换 $x=t^2$ 消除，或用带权高斯。
• 振荡积分：分段按周期积分、Filon/Levin 方法，别让自适应公式硬扛。
• 无穷区间：变换 $x = t/(1-t)$ 或专用 Gauss-Laguerre/Hermite。

老师的提醒

• 积分结果可疑时先画 $f$：尖峰、振荡、间断一眼可见——黑盒自适应也怕 Dirac 式尖刺（可能整个漏掉）。
• 蒙特卡洛是高维（$d\gtrsim 6$）的领地：一维到六维用确定性求积，维度再高误差 $\sim N^{-1/2}$ 反而胜出（第 7 章）。

自检

• 为什么 4 点牛顿-科茨不划算？
• 自适应求积的误差估计怎么来？
• 高维积分的维度分界线与原因？

更深一层：自适应求积是"误差预算的实时分配器"

自适应求积（G7-K15 类）的精髓是把全局误差预算 $ε$ 动态分配给子区间：每个子区间用两个不同阶的公式（7 点 Gauss 与 15 点 Kronrod 嵌套），它们的差给出该区间的误差估计，超过份额就二分递归。这个过程实现了"把算力精确花在函数最刁钻的地方"——光滑区大刀阔斧、尖峰区精雕细琢。工程选型速记：光滑一般函数 → 自适应 Gauss-Kronrod（QUADPACK 内核）；无穷区间 → 专用变换或 Gauss-Laguerre/Hermite；振荡积分 → Filon/Levin 或分段按周期；维度 > 4 → 蒙特卡洛（误差 $\sim N^{-1/2}$ 与维度无关，碾压维数诅咒）。

高斯积分的"两倍效率"值得再咀嚼一次：$n$ 个自由节点精确积分 $2n-1$ 次，比等距点多一阶——自由度换阶数的非线性回报。这套"优化采样位置"的思想在实验设计（D-最优设计）、机器学习（主动学习选样本点）里都是同一原理的回声。

推导细读：Romberg 外推的级联结构

Romberg 是 Richardson 外推的级联应用：梯形公式误差展开为 $I = T(h) + c_1h^2 + c_2h^4 + \dots$。把步长逐次减半的多个 $T$ 值按列组合：第一列消 $h^2$ 项（Simpson 级精度）、第二列消 $h^4$（Newton-Cotes 6 点级）……三角形的每一列都是一次"跳阶"。它的适用前提严格：被积函数光滑（误差展开成立）；有奇性/间断时 Romberg 不如自适应（NR 的选型表正是这么分的）。这套"已知误差结构 → 线性组合消项"的手法是外推法的通用语法——数值微分、ODE 外推法（Bulirsch-Stoer）、差分格式的 Richardson 外推，全是同语法造句。

在真实世界里：黑盒求积的三条保命规则

调用自适应求积库（scipy.integrate.quad 等）时的三条保命规则：规则一：永远检查返回的误差估计——库报告 $10^{-10}$ 的误差只在函数"行为良好"的假设下成立，尖峰漏采时它自信地错着；规则二：积分前画图或采样预览——自适应的致命盲区是"整段漏掉的特征"（极窄尖峰恰好落在初始网格间）；规则三：奇异与振荡要显式告知（权重函数、区间拆分），不要指望黑盒自己悟出来。这三条来自真实教训：物理期刊曾多次刊登因漏采共振峰而错误的数值积分结果——黑盒给了信心，没给真相。

专题深入：自适应求积的"误差预算实时分配"

自适应求积（G7-K15 类）的精髓值得展开：全局误差预算 $\epsilon$ 动态分配给子区间——每个子区间用两个不同阶的公式（7 点 Gauss 与 15 点 Kronrod 嵌套），它们的差给出该区间的误差估计，超过份额就二分递归。"把算力精确花在函数最刁钻的地方"——光滑区大刀阔斧、尖峰区精雕细琢。这是"误差预算的实时分配器"——工业黑盒积分的标准（QUADPACK、scipy.integrate 的内核）。

Gauss-Kronrod 的嵌套结构（Kronrod 点集扩展 Gauss 点集，共享已算函数值）是"误差估计几乎免费"的工艺——算一次高阶、低阶免费。自适应 + 嵌套是这套方法的全部智慧。

数学细节展开：高斯积分的"最优点数"完整推导

高斯积分 $n$ 个点精确积分 $2n-1$ 次的完整推导值得走一遍：节点位置自由（$n$ 个自由度）+ 权重自由（$n$ 个自由度）= $2n$ 个自由度，恰好满足 $2n$ 次多项式的精确积分条件。勒让德多项式的零点恰好是这个自由度的最优解。"自由度换阶数的非线性回报"——这套"优化采样位置"的思想在实验设计（D-最优设计）、机器学习（主动学习选样本点）里都是同一原理的回声。

工程案例细节：黑盒求积的三条保命规则（展开）

调用自适应求积库的三条保命规则值得展开：规则一——永远检查返回的误差估计（库报告 $10^{-10}$ 的误差只在函数"行为良好"的假设下成立，尖峰漏采时它自信地错着）；规则二——积分前画图或采样预览（自适应的致命盲区是"整段漏掉的特征"——极窄尖峰恰好落在初始网格间）；规则三——奇异与振荡要显式告知（权重函数、区间拆分），不要指望黑盒自己悟出来。物理期刊曾多次刊登因漏采共振峰而错误的数值积分结果——黑盒给了信心，没给真相。