什么是数值积分法比较
🙋
教授，数值积分不就是把曲线下面切成很多小方块来算面积吗？为什么有这么多不同的方法，比如梯形法、辛普森法？它们到底有啥区别？
🎓
简单来说，区别就在于“怎么切”和“怎么算”。梯形法就像用很多小梯形的顶边去逼近曲线，而辛普森法是用一段段抛物线去拟合，后者通常更贴合弯曲的曲线。在实际工程中，选对方法能省下大量计算时间。你可以在模拟器里试试看：保持分割数n不变，分别选择梯形法和辛普森法，看看计算同一个函数的积分，结果误差能差多少倍！
🙋
诶，真的吗？那旁边的高斯求积和龙贝格积分听起来更高级，它们是怎么做到更准的？
🎓
高斯求积很聪明，它不把点均匀排开，而是专门挑一些“黄金位置”来采样，用同样的点数能算出高得多的精度。龙贝格积分则是“精益求精”的大师，它从粗糙的梯形法结果开始，通过一套数学外推技巧，像剥洋葱一样一层层逼近真实答案。你操作一下就明白了：把分割数n设小一点，比如5，然后比较梯形法和5点高斯求积的误差，你会惊讶于差距之大！
🙋
原来是这样！那下面的log-log图里那些直线的斜率，是不是就代表了您刚才说的“误差阶”？这个工具怎么帮我选方法呢？
🎓
没错！那条线越陡，说明误差随着分割变细下降得越快，方法就越高效。这个工具最直观的地方就在这。比如在汽车结构分析中，要积分一个复杂的应力函数，你可以快速在这里测试：固定上下限a和b，逐渐增加n，观察哪种方法的误差曲线最先跌到你的精度要求线以下。工程现场常见的选择是，对光滑函数用高斯或龙贝格以求快准，对可能有突变的数据先用稳健的梯形法探探路。
物理模型与关键公式
数值积分的核心思想是用有限个采样点的加权和来近似连续积分。梯形法是其中最基础的一种，它将积分区间等分，用梯形面积之和来近似曲边梯形的面积。
$$\int_a^b f(x)\,dx \approx \frac{h}{2}[f(x_0)+2f(x_1)+2f(x_2)+\cdots+2f(x_{n-1})+f(x_n)]$$
其中，$h = (b-a)/n$ 是子区间宽度，$x_0=a, x_1, ..., x_n=b$ 是等距节点。误差与 $h^2$ 成正比，记为 $O(h^2)$。
高斯求积法则采用非等距的最优节点（高斯点）和对应的权重，其目标是使用n个点就能精确积分最高$2n-1$次的多项式，从而对光滑函数达到极高的效率。
$$\int_{-1}^{1}f(x)\,dx \approx \sum_{i=1}^{n}w_i f(x_i)$$
其中 $x_i$ 是第 $i$ 个高斯点（勒让德多项式的根），$w_i$ 是对应的权重。对于一般区间 $[a, b]$ 需做变量变换。n点高斯求积的误差阶为 $O(h^{2n})$。
现实世界中的应用
有限元分析（FEM）：在计算单元刚度矩阵时，需要对形函数及其导数的复杂乘积在单元内进行积分。几乎全部采用高斯求积法，因为它能用最少的积分点获得足够的精度，极大提升整体计算效率。
疲劳与可靠性工程：在评估零件寿命时，需要计算应力幅值在概率密度函数下的积分（如Miner准则累积损伤）。数值积分用于处理难以解析求解的复杂分布函数，确保寿命预测的准确性。
计算流体动力学（CFD）：计算通过管道截面的流量、或物体表面的总压力和升阻力时，需要对速度或压力场进行面积分。数值积分方法是这些宏观工程量的直接计算工具。
金融与保险精算：用于计算期权定价模型中的期望值积分，或保险业中损失分布的期望和风险值（VaR）。面对没有解析解的随机模型，数值积分是核心计算手段。
常见误解与注意事项
开始使用此工具时，有几个容易踩坑的地方需要注意。首先是“高阶方法总是正确”的误解。辛普森法则和高斯求积确实效率更高，但当函数不够平滑（例如存在不可导点、剧烈波动）时，不仅可能达不到预期精度，甚至可能比梯形法则的结果更差。例如，用具有尖锐峰值的函数进行测试，就能明显看出这种差异。
其次是分割数“n”的设置陷阱。辛普森法则要求n为偶数才能正确工作，而龙贝格积分中n必须以2的幂次（2, 4, 8, 16…）递增才能发挥最大性能。如果在工具中尝试“n=5”的辛普森法则，计算虽然会执行，但实际上内部会进行近似处理，并不能反映其真实性能。
最后要明白“误差为零”只是幻想。对数坐标图可能让误差看似线性下降，但计算始终伴随着舍入误差。如果过度增大分割数（例如n=1,000,000），计算点过多会导致舍入误差累积，反而引发精度下降的“计算饱和”现象。在工具中设置极大的n值，可以观察到图线并未持续下降，反而趋于平缓甚至上升。