为防止链接失效,转载c++实现数值积分的方法(辛普森法)。
数值积分
普通辛普森法
这个方法的思想是将被积区间分为若干小段,每段套用二次函数的积分公式进行计算。
// C++ Version
const int N = 1000 * 1000;
double simpson_integration(double a, double b) {
double h = (b - a) / N;
double s = f(a) + f(b);
for (int i = 1; i <= N - 1; ++i) {
double x = a + h * i;
s += f(x) * ((i & 1) ? 4 : 2);
}
s *= h / 3;
return s;
}
# Python Version
N = 1000 * 1000
def simpson_integration(a, b):
h = (b - a) / N
s = f(a) + f(b)
for i in range(1, N):
x = a + h * i
if i & 1:
s = s + f(x) * 4
else:
s = s + f(x) * 2
s = s * (h / 3)
return s
自适应辛普森法
普通的方法为保证精度在时间方面无疑会受到 n的限制,我们应该找一种更加合适的方法。
现在唯一的问题就是如何进行分段。如果段数少了计算误差就大,段数多了时间效率又会低。我们需要找到一个准确度和效率的平衡点。
我们这样考虑:假如有一段图像已经很接近二次函数的话,直接带入公式求积分,得到的值精度就很高了,不需要再继续分割这一段了。
于是我们有了这样一种分割方法:每次判断当前段和二次函数的相似程度,如果足够相似的话就直接代入公式计算,否则将当前段分割成左右两段递归求解。
现在就剩下一个问题了:如果判断每一段和二次函数是否相似?
我们把当前段直接代入公式求积分,再将当前段从中点分割成两段,把这两段再直接代入公式求积分。如果当前段的积分和分割成两段后的积分之和相差很小的话,就可以认为当前段和二次函数很相似了,不用再递归分割了。
上面就是自适应辛普森法的思想。在分治判断的时候,除了判断精度是否正确,一般还要强制执行最少的迭代次数。
// C++ Version
double simpson(double l, double r) {
double mid = (l + r) / 2;
return (r - l) * (f(l) + 4 * f(mid) + f(r)) / 6; // 辛普森公式
}
double asr(double l, double r, double eqs, double ans, int step) {
double mid = (l + r) / 2;
double fl = simpson(l, mid), fr = simpson(mid, r);
if (abs(fl + fr - ans) <= 15 * eqs && step < 0)
return fl + fr + (fl + fr - ans) / 15; // 足够相似的话就直接返回
return asr(l, mid, eqs / 2, fl, step - 1) +
asr(mid, r, eqs / 2, fr, step - 1); // 否则分割成两段递归求解
}
double calc(double l, double r, double eps) {
return asr(l, r, eps, simpson(l, r), 12);
}
# Python Version
def simpson(l, r):
mid = (l + r) / 2
return (r - l) * (f(l) + 4 * f(mid) + f(r)) / 6 # 辛普森公式
def asr(l, r, eqs, ans, step):
mid = (l + r) / 2
fl = simpson(l, mid); fr = simpson(mid, r)
if abs(fl + fr - ans) <= 15 * eqs and step < 0:
return fl + fr + (fl + fr - ans) / 15 # 足够相似的话就直接返回
return asr(l, mid, eqs / 2, fl, step - 1) + \
asr(mid, r, eqs / 2, fr, step - 1) # 否则分割成两段递归求解
def calc(l, r, eps):
return asr(l, r, eps, simpson(l, r), 12)
文章转载自https://oi-wiki.org/math/integral/,或点击这里跳转。