辛普森积分

\[\newcommand{\d}{\mathrm{d}\,} \]

参考资料

百度百科_牛顿-莱布尼茨公式

知乎_数值积分漫谈 (推荐阅读)


前置

牛顿-莱布尼茨公式(积分基本公式)

\[\int_a^bf(x) \d x=F(b)-F(a)=F(x)|_a^b \]


普通的Simpson积分

一般的,我们用小的矩阵或梯形来近似的代表一小段的积分值,如

\[\int_a^bf(x) \d x \approx \frac{(f(a)+f(b))(b-a)}{2} \]

当然, \(a\)\(b\) 之间的距离应当足够小。

这实际上是用过点 \((a,f(a))\) 和点 \((b,f(b))\) 的直线代替了这一段的函数。

为了增加效率并减小误差,Simpson积分用二次函数代替一段函数。

设替代的函数为 \(g(x)=Ax^2+Bx+C\) ,我们需要知道这三个值: \(g(a)\)\(g(b)\)\(g(\frac{a+b}{2})\)

那么根据牛顿-莱布尼茨公式,

\[\begin{aligned} \int_a^b f(x) \d x &\approx \int_a^b g(x) \d x\\ &=G(b)-G(a)\\ &=\frac{A}{3}(a^3-b^3)+\frac{A}{2}(a^2-b^2)+C(a-b)\\ &=\frac{A}{3}(a-b)(a^2+ab+b^2)+\frac{B}{2}(a-b)(a+b)+C(a-b)\\ &=\frac{a-b}{6}(2Aa^2+2Aab+2Ab^2+3Ba+3Bb+6C)\\ &=\frac{a-b}{6}[(Aa^2+Ba+C)+(Ab^2+Bb+C)+4(A\frac{a^2+b^2+2ab}{4}+B\frac{a+b}{2}+C)]\\ &=\frac{a-b}{6}(g(a)+g(b)+g(a+b))\\ &=\frac{a-b}{6}(g(a)+g(b)+4g(\frac{a+b}{2})) \end{aligned} \]

所以我们只要在将一个区间分成足够多块,就能求出精度足够高的值。

自适应Simpson积分(Adaptive Simpson's method)

要达到较高的精度往往会耗费很多的时间。而如果函数的某一部分比较平滑,那可以将这个区间少分点段;同样的,将不太平滑的区间多分几段。

我们可以二分计算区间积分,同时通过期望容差来控制二分的终止。

一般的,如果满足 $|S(a,m)+S(m,b)-S(a,b)|<15\epsilon $ ,就终止二分并返回 \(S(a,m)+S(m,b)+\frac{S(a,m)+S(m,b)-S(a,b)}{15}\)

其中 \(m=\frac{a+b}{2}\)\(\epsilon\) 为期望容差。

所以可以这样实现:

double F(double x);

double Simpson( double L, double R ) {
    double Mid = (L + R) / 2.0;
    return ( F( L ) + 4 * F( Mid ) + F( R ) ) * ( R - L ) / 6;
}

double Integral( double L, double R, double Eps ) {
    double Mid = (L + R) / 2.0;
    double ST = Simpson(L, R), SL = Simpson(L, Mid), SR = Simpson(Mid, R);
    if( std::fabs( SL + SR - ST ) <= 15 * Eps )  return SL + SR + (SL + SR - ST) / 15;
    return Integral( L, Mid, Eps / 2 ) + Integral( Mid, R, Eps / 2 );
}

一般,OI & ACM中要用到的到这里就差不多了。下面的内容仅做介绍毕竟我也不会

牛顿-科斯特公式

假设 \(I=[a,b]\)\(x_k=a+k\frac{b-a}{n}\) ,那么

\[\int_If(t)\d t\approx I_{appr}(x_1,x_2,\cdots,x_n)=(b-a)\sum\limits_{k=0}^nC_k^{(n)}f(x_k) \]

其中

\[C_k^{(n)}=\frac{1}{n}\int_0^n\prod\limits_{k\neq j}\frac{t-j}{k-j}\d t=\frac{(-1)^{n-k}}{n\cdot k!(n-k)!}\int_0^n\prod_{k\neq j}(t-j)\d t \]

\(n=1\) 时,这个公式就是上面提到的梯形近似方法;而当 \(n=2\) 时,就是辛普森积分。

\(n=3\) 时,这个公式为 Simpson's 3/8 rule ,用更大的常数(在平滑函数下)换更高的精度手动狗头

板子

1

【模板】自适应辛普森法1

#include <cstdio>
#include <algorithm>
#include <cmath>

inline void Init();
inline void Calc();
int main() { return Init(), Calc(), 0; }

double a, b, c, d, L, R;
inline void Init() { scanf( "%lf%lf%lf%lf%lf%lf", &a, &b, &c, &d, &L, &R ); return; }
inline double f( double x ) { return ( c * x + d ) / ( a * x + b ); }
inline double Simpson( double l, double r ) { return ( r - l ) / 6 * ( f( l ) + f( r ) + 4 * f( ( l + r ) / 2 ) ); }
double Integral( double l, double r, double Eps, double Total ) {
	double Mid = ( l + r ) / 2;
	double L = Simpson( l, Mid ), R = Simpson( Mid, r );
	if( std::fabs( L + R - Total ) < 15 * Eps ) return L + R + ( L + R - Total ) / 15;
	return Integral( l, Mid, Eps / 2, L ) + Integral( Mid, r, Eps / 2, R );
}
inline void Calc() { printf( "%.6lf\n", Integral( L, R, 4e-8, Simpson( L, R ) ) ); return; }

2

【模板】自适应辛普森法2

\(f(0)\) 是没有用的,先枪毙掉。首先,当 \(a<0\) 时,若 \(x\) 趋向于 \(0\) ,那么 \(f(x)\) 趋向于无穷,积分发散。

考虑 \(a>0\) ,发现函数收敛的很快。所以如果上界取得太大,会导致答案为 \(0\) 。所以直观感受一下,上界应该取得小一点。就Ok了。

#include <cstdio>
#include <algorithm>
#include <cmath>

inline void Init();
inline void Calc();
int main() { return Init(), Calc(), 0; }

const double Inf = 20;
double a;
inline void Init() { scanf( "%lf", &a ); return; }
inline double f( double x ) { return std::pow( x, a / x - x ); }
inline double Simpson( double l, double r ) { return ( r - l ) / 6 * ( f( l ) + f( r ) + 4 * f( ( l + r ) / 2 ) ); }
double Integral( double l, double r, double Eps, double Total ) {
	double Mid = ( l + r ) / 2;
	double L = Simpson( l, Mid ), R = Simpson( Mid, r );
	if( std::fabs( L + R - Total ) < 15 * Eps ) return L + R + ( L + R - Total ) / 15;
	return Integral( l, Mid, Eps / 2, L ) + Integral( Mid, r, Eps / 2, R );
}
inline void Calc() { 
	if( a < 0 ) printf( "orz\n" ); 
	else printf( "%.5lf\n", Integral( 4e-7, Inf, 4e-7, Simpson( 4e-7, Inf ) ) );
	return; 
}

posted @ 2019-10-09 20:17  chy_2003  阅读(1394)  评论(0编辑  收藏  举报