1 基本概念
数值积分是指在不能或不便直接通过解析方法求出积分精确值时，利用有限个采样点和相应计算规则，对积分进行近似求解的方法。它将连续的积分问题转化为离散计算问题，是数值分析中的基础内容之一。
1.1 数值积分的定义
数值积分通常针对定积分，也可推广到重积分、曲线积分与曲面积分等形式。其核心思想是用若干个函数值来逼近积分区间上的累积量，并据此构造近似结果。常见做法包括把区间分割为若干小段，再用简单几何图形或高阶插值函数来替代原函数。
1.2 适用场景
当被积函数表达式复杂、原函数难以求出，或者积分区域形状不规则、维数较高时，数值积分尤其有用。它广泛见于科学实验数据处理、工程系统仿真、概率分布计算以及图像和几何建模等场合。
1.3 与解析积分的区别
解析积分追求通过符号运算得到精确表达式，依赖变量代换、分部积分等解析技巧；数值积分则不要求写出原函数，而是直接求近似值。前者结果形式更完整，但受限于可积性和可解性，后者适用面更广，但会引入近似误差。
1.4 误差与近似思想
数值积分的结果通常不等于精确值，而是以误差可控的方式逼近真实积分。其近似来源主要包括离散化带来的截断误差、计算机浮点运算导致的舍入误差，以及模型本身与实际问题之间的简化误差。实际应用中，通常需要在精度与效率之间做平衡。
2 数值积分的理论基础
数值积分的常用公式大多建立在插值理论和误差分析之上。通过用简单函数近似被积函数，可以将积分值转化为节点值的加权和，从而形成可直接计算的求积公式。
2.1 插值理论
插值理论研究如何用已知离散点构造近似函数。在数值积分中，插值不仅用于恢复函数形状，也常用于推导求积公式和分析误差。
2.1.1 多项式插值
多项式插值以多项式作为近似函数，在若干节点上与原函数取值一致。由于多项式积分方便，这类方法常被用于构造梯形法、辛普森法以及高阶求积公式。节点分布和插值阶数会直接影响近似效果。
2.1.2 分段插值
分段插值将整体区间拆分为多个小区间，在每段上分别进行低阶插值。这样做能够降低高次多项式振荡问题，提高对复杂函数的适应性。复合梯形法、复合辛普森法都属于这一思路。
2.2 求积公式
求积公式是将积分近似表示为若干函数值按权重加权求和的计算规则。不同公式对应不同节点排列和精度特性，适合的函数类型也不相同。
2.2.1 代数精度
代数精度是衡量求积公式准确性的一个重要指标，表示该公式对所有不超过某一次数的多项式都能给出精确积分值。代数精度越高，一般说明公式对平滑函数的逼近能力越强，但计算与构造也往往更复杂。
2.2.2 权重与节点
节点是函数被采样的位置，权重则表示每个采样值在最终结果中的贡献大小。节点选取合理、权重设计恰当，能够显著提升积分精度。很多高效公式的关键，就在于如何在有限节点上尽可能保留积分信息。
2.3 误差分析
误差分析用于评估近似积分与精确积分之间的差异，并为步长选择、公式选型和终止条件提供依据。常见分析对象包括局部误差、全局误差以及浮点计算误差。
2.3.1 截断误差
截断误差来源于用有限项近似无限过程，或者用低阶表达式替代复杂函数的高阶变化。在数值积分中，这类误差通常与区间长度、步长大小和被积函数的光滑程度有关。
2.3.2 舍入误差
舍入误差由计算机有限精度表示引起，往往在多次运算后逐渐累积。虽然单次误差通常很小，但在高维积分或大量节点求和时，舍入误差可能对最终结果产生明显影响。
2.3.3 全局误差与局部误差
局部误差指单个子区间或单步计算产生的误差，全局误差则是整个积分过程累积后的偏差。局部误差小并不必然意味着全局误差同样小，因此实际算法常结合递推分析和误差控制策略进行整体评估。
3 一维定积分的常用方法
一维定积分是数值积分中最典型的对象，许多基础方法都围绕它建立。这些方法通常按精度、计算代价和实现难度进行选择，适用于不同类型的函数。
3.1 矩形法
矩形法是最直接的积分近似方法，用若干矩形面积之和替代曲线下方的面积。它形式简单，便于理解和实现，但精度相对有限。
3.1.1 左矩形法
左矩形法取每个子区间左端点的函数值作为矩形高度。它适合快速估算，但在函数单调变化明显时可能出现系统性偏差。
3.1.2 右矩形法
右矩形法使用每个子区间右端点的函数值作为高度。其性质与左矩形法相似，只是在误差方向上可能相反，常用于与其他方法进行对照。
3.1.3 中点矩形法
中点矩形法取子区间中点的函数值构造矩形。与左右端点法相比，它通常能更好地反映区间内函数的平均水平，因此精度往往更高。
3.2 梯形法
梯形法用折线连接相邻采样点，再以梯形面积近似曲线下方面积。它在平滑函数上表现稳定，是工程中使用很广的基础公式之一。
3.2.1 复合梯形法
复合梯形法把整体区间划分为多个小段，在每段上分别使用梯形近似，再将结果相加。随着分割加密，逼近效果通常会逐步改善。
3.2.2 误差估计
梯形法的误差与函数的二阶导数有关，函数越平滑，误差越容易控制。通过比较不同步长下的计算结果，可以对误差规模做出经验性估计。
3.3 辛普森法
辛普森法采用二次插值思想，用抛物线近似原函数曲线，因此通常比梯形法具有更高精度。它对光滑函数尤其有效。
3.3.1 1/3公式
辛普森1/3公式以两个小区间为一组，通过三个节点构造二次插值多项式。该公式在节点数量合适时，能以较少样本获得较好的近似结果。
3.3.2 3/8公式
辛普森3/8公式使用四个节点和三等分区间进行插值近似。它与1/3公式同属辛普森类方法，常在节点结构需要调整时使用。
3.3.3 复合辛普森法
复合辛普森法将区间细分后，在每个局部区间上重复使用辛普森公式。这种做法兼顾了精度和可实现性，是常见的高精度一维积分方法。
3.4 高斯求积
高斯求积通过优化节点位置与权重设置，在有限节点下实现尽可能高的代数精度。它常用于对精度要求较高、函数较平滑的积分问题。
3.4.1 高斯-勒让德求积
高斯-勒让德求积适用于标准区间上的积分，节点取自相应勒让德多项式的零点。由于节点分布经过优化，它通常比等距节点公式更有效率。
3.4.2 高斯-切比雪夫求积
高斯-切比雪夫求积与切比雪夫多项式和特定权函数相匹配，特别适用于带有相应权重形式的积分。它在处理特定正交结构时具有较高精度。
3.4.3 节点选择原理
高斯求积的节点并非任意选取，而是依据正交多项式的零点确定。这样可以在同样的采样数量下最大限度提高代数精度，并减少无效采样。
4 自适应与高效积分策略
在实际问题中，被积函数往往在不同区间表现不同：有些地方平滑，有些地方变化剧烈。自适应和高效策略的目标，就是把计算资源优先分配给更“难算”的区域。
4.1 自适应步长控制
自适应步长控制根据函数变化情况动态调整区间划分密度。对于变化平缓的部分可使用较大步长，而在陡峭或振荡区域则自动细分。
4.1.1 区间细分
区间细分是自适应积分的基本手段，通过把误差较大的子区间进一步拆分，提高局部近似精度。该方法尤其适合含尖峰、拐点或局部奇异行为的函数。
4.1.2 局部误差估计
局部误差估计用于判断某一子区间的近似是否足够精确。常通过对比不同步长或不同阶公式的结果来实现，从而决定是否继续细分。
4.2 递归积分算法
递归积分算法在每次区间细分后，对子区间重复应用同一套判别与计算规则，直到满足精度要求为止。它结构清晰，适合实现自动化积分控制。
4.3 外推法
外推法通过利用不同步长下的近似结果，推断极限情况下更精确的积分值。其基本思路是消去低阶误差项，从而提高整体精度。
4.3.1 罗姆伯格积分
罗姆伯格积分以复合梯形法为基础，逐步进行外推修正。它能够在函数光滑时快速提高精度，是经典的高阶积分技术。
4.3.2 理查森外推
理查森外推利用误差随步长变化的规律，对已有近似值进行组合修正。只要误差展开形式满足一定条件，就能明显改善结果。
4.4 误差容限设置
误差容限决定了算法在多大程度上可以接受近似偏差。容限设置过严会增加计算量，过宽又可能导致结果不够可靠，因此通常需要结合具体应用需求和数据规模综合确定。
5 多维数值积分
多维积分比一维积分更复杂，因为采样点数量会随维数迅速增加。随着维数提升，直接网格法的计算成本往往急剧上升，因此常需采用更灵活的方法。
5.1 二重积分
二重积分用于描述平面区域上的累积量，常出现在面积、质量、概率密度和势函数等问题中。其数值计算一般通过二维网格划分完成。
5.1.1 矩形网格法
矩形网格法将积分区域划分为若干小矩形或小网格，再对每个小单元近似求和。它实现简单，但对于边界复杂的区域可能需要额外处理。
5.1.2 复合求积法
复合求积法在二维情形下可看作一维复合公式的推广，通过在两个方向上同时细分区间来提高精度。该方法常用于规则区域上的平滑函数积分。
5.2 三重积分
三重积分用于三维空间中的体积累积、质量分布和物理场计算。与二重积分相比，其计算量和内存需求进一步增加，因而更依赖高效算法与合理分区。
5.3 高维积分问题
当积分维数继续增大时，直接细网格离散会导致节点数爆炸式增长。此时需要更注重采样效率，而不是单纯增加网格密度。
5.3.1 维数灾难
维数灾难指积分维度升高后，所需采样点数量和计算成本迅速增长的现象。它使传统网格法在高维空间中变得不经济，甚至难以实际应用。
5.3.2 稀疏网格方法
稀疏网格方法通过减少不必要的高维组合采样，缓解维数灾难带来的成本问题。它在保持较高精度的同时，显著降低了计算规模。
5.4 区域分割与坐标变换
对于形状复杂的积分区域，常先将区域分割为若干简单子域，再分别积分后求和。必要时还可通过坐标变换把不规则区域转化为规则区域，以便使用标准求积公式。
6 随机数值积分方法
随机数值积分利用随机采样估计积分值，特别适合高维或区域复杂的问题。它不依赖规则网格，因此在某些场景下比确定性方法更灵活。
6.1 蒙特卡洛积分
蒙特卡洛积分通过在积分区域内随机生成样本点，并以样本平均近似积分结果。其实现简单，且对维数增长不如网格法那样敏感。
6.1.1 随机采样原理
随机采样原理是利用大样本下统计平均趋近真实期望值的性质，将积分转化为随机变量均值的估计问题。样本越多，通常结果越稳定。
6.1.2 方差与收敛率
蒙特卡洛积分的误差与样本方差密切相关，收敛率一般与样本数的平方根成反比。虽然单次采样波动较大，但在高维情形下仍具明显优势。
6.2 重要性采样
重要性采样通过提高“重要区域”的采样概率，减少对贡献较小区域的无效抽样。它能够显著降低估计方差，提高积分效率。
6.3 分层采样
分层采样先将区域划分为若干层或子区，再在每一层内分别随机取样。这样可以避免样本过度集中于某些局部区域，使估计更均衡。
6.4 低差异序列方法
低差异序列方法使用分布更均匀的准随机序列替代纯随机数，从而提高覆盖区域的均匀性。它常用于需要较稳定收敛表现的数值估计任务。
7 特殊函数与特殊区域上的积分
某些积分问题由于积分区间无限、函数振荡强烈或被积函数带有奇异性，难以直接套用标准公式。此时需要针对问题结构设计专门策略。
7.1 无穷区间积分
无穷区间积分常见于衰减过程、概率分布和物理响应函数中。计算时通常需要先把无限区间转化为有限区间，或者对尾部行为进行特殊处理。
7.1.1 区间变换
区间变换通过变量代换将无穷区间映射到有限区间，便于使用常规求积公式。合理的变换还能减弱尾部区域对误差的影响。
7.1.2 衰减函数处理
对于随自变量增大而快速衰减的函数，可以利用尾积分截断或渐近近似减少计算量。关键在于平衡截断带来的误差与额外计算成本。
7.2 振荡积分
振荡积分中的被积函数往往正负变化频繁，直接求积容易出现相互抵消和数值不稳定。它在波动现象、信号分析和频域计算中十分常见。
7.2.1 高频函数
高频函数在短区间内可能发生多次振荡，需要更密的采样才能捕捉变化特征。若步长过大，积分结果可能失真明显。
7.2.2 专用求积公式
针对振荡结构，人们发展了若干专用求积公式，以更好地处理频繁变化的权函数或相位项。这些公式通常比通用方法更节省计算量。
7.3 奇异积分
奇异积分是指被积函数在区间端点或内部某些点附近趋于无穷大，或者表现出不可直接处理的局部异常。此类积分需要特别的数学变形与数值技巧。
7.3.1 端点奇异性
端点奇异性表示函数在积分区间边界附近存在发散或不规则行为。常见处理方法包括变量代换、区间拆分和引入适当权函数。
7.3.2 主值积分
主值积分用于处理某些对称型奇异积分，通过对奇异点两侧同时取极限来定义结果。它在理论和应用上都具有特殊意义。
7.4 复杂边界区域积分
复杂边界区域积分常见于不规则几何、曲面投影或多连通区域问题。通常需要先进行区域分解，再结合坐标变换和局部求积，才能获得较稳定的数值结果。
8 算法实现与软件应用
数值积分不仅是理论问题，也直接依赖软件实现质量。算法在实际运行中需要考虑精度、效率、稳定性以及接口易用性等多方面因素。
8.1 计算流程设计
一个完整的数值积分程序通常包括节点生成、权重计算、函数评价和结果汇总等环节。流程设计是否合理，会影响算法扩展性和运行效率。
8.1.1 节点生成
节点生成决定了函数被采样的位置，直接关系到积分精度。对于规则公式，节点可预先确定；对于自适应算法，节点则可能在运行过程中动态产生。
8.1.2 权重计算
权重计算用于确定各节点对结果的贡献。不同求积公式的权重构造方式不同，某些高阶方法还需要通过正交多项式或线性方程组求得。
8.1.3 结果汇总
结果汇总是把各节点或各子区间的贡献统一合并为最终积分值。对于大规模计算，还需注意累加顺序，以降低舍入误差影响。
8.2 数值稳定性
数值稳定性是指算法在输入扰动和有限精度条件下维持可靠结果的能力。对积分而言，稳定性问题常与病态函数、强振荡和大量抵消现象有关。
8.3 并行计算
并行计算可将积分区间、采样点或子域分配到多个处理单元同时执行，从而缩短计算时间。它对蒙特卡洛积分和多维网格积分尤其有效。
8.4 常用软件与库
现代科学计算环境通常内置或提供多种积分工具，便于用户快速调用不同算法。它们大多支持自适应求积、数值微分联动以及多维积分接口。
8.4.1 MATLAB相关函数
MATLAB中提供了若干面向一维和多维积分的函数，适合教学、验证与工程原型开发。其优势在于接口简洁、可视化能力强。
8.4.2 Python科学计算库
Python生态中的相关库提供了丰富的数值积分功能，常与数组计算和数据分析工具配合使用。其优点是扩展性好，便于与其他科学计算模块集成。
8.4.3 数值计算框架
更大规模的计算任务往往依赖专门数值框架，以支持并行、分布式和高精度运算。此类框架通常强调可移植性、效率和自动调度能力。
9 应用领域
数值积分的应用范围极广，只要问题涉及连续量的累积、平均或期望值估计，往往都能见到它的身影。其价值不仅在于求出结果，也在于为建模和分析提供可执行的计算手段。
9.1 物理建模
在物理中，数值积分常用于计算位移、能量、场强、概率幅度等量。对于无法解析求解的模型，积分近似往往是连接理论与实验的重要桥梁。
9.2 工程仿真
工程仿真中大量出现热传导、流体、结构和电磁等问题，这些问题常伴随复杂边界或非线性项。数值积分能够为有限元、边界元和其他离散方法提供关键计算支持。
9.3 统计与概率计算
在统计学中，积分常用于求分布函数、期望、方差以及置信概率等。对于高维概率模型，数值积分尤其是随机方法，常是获得估计值的实用手段。
9.4 计算机图形学
图形学中的光照、渲染和可见性计算经常需要对连续方向或面积进行积分。数值积分帮助近似模拟光线传播、反射与散射等效果，从而生成更逼真的图像。
9.5 机器学习中的积分近似
在机器学习中，积分近似可用于概率模型推断、贝叶斯计算以及某些损失函数的期望估计。尤其在高维参数空间中，数值积分常与采样方法结合使用。
10 发展与研究方向
随着计算规模扩大和应用场景复杂化，数值积分的研究重点正逐步从基础求值转向高精度、高维度和高并行度的综合优化。
10.1 自适应高精度算法
未来算法将继续强化局部误差识别与动态资源分配能力，以在复杂函数上实现更高精度。自动化程度更高的自适应方法也更适合工程与科学软件集成。
10.2 高维积分优化
面对维数灾难，研究者不断探索更高效的采样结构、稀疏表示和降维技巧。高维积分优化的目标，是在可接受成本内获得足够可靠的估计。
10.3 符号计算与数值计算结合
符号计算可以提供简化、变形和误差结构分析，而数值计算负责最终求值。两者结合有助于在保持通用性的同时提高精度与稳定性。
10.4 面向大规模计算的并行化方法
随着硬件平台的发展，面向多核、GPU和分布式系统的并行积分方法愈发重要。未来的研究通常会围绕任务划分、通信开销控制和负载均衡展开。
</INTERNAL_LINK_CANDIDATES> 求积公式（将积分表示为加权求和的公式） 插值理论（用离散点构造近似函数的方法） 多项式插值（用多项式通过若干节点逼近函数） 分段插值（在各子区间分别进行插值） 代数精度（求积公式对多项式精确成立的最高次数） 权重（求积中各节点对应的系数） 节点（求积时被采样的位置） 误差分析（研究近似结果偏差的理论） 截断误差（由有限近似引入的误差） 舍入误差（由有限精度运算引起的误差） 矩形法（用矩形面积近似积分的方法） 梯形法（用梯形面积近似积分的方法） 辛普森法（基于二次插值的积分近似法） 高斯求积（通过优化节点与权重提高精度的求积法） 罗姆伯格积分（基于外推提高精度的积分算法） 理查森外推（利用误差级数消去低阶项的方法） 蒙特卡洛积分（基于随机采样的积分估计法） 重要性采样（按重要区域调整采样概率的方法） 稀疏网格方法（缓解高维积分计算量的方法） 低差异序列（分布更均匀的准随机序列）