如何用quadpy实现多区间批量积分？报错ValueError求指导

问题背景 #

需要用quadpy一次性完成多积分区间的向量化计算，但调用quad()函数时触发ValueError: The truth value of an array with more than one element is ambiguous错误。

报错原因 #

1. 函数选择错误：quadpy.quad()并非处理多区间向量化积分的正确接口，它仅针对单区间积分设计，不支持直接传入数组形式的多区间上下限。
2. 维度逻辑冲突：loss_function中数组广播的布尔判断存在歧义，且输出形状不符合quadpy向量化积分的要求。

解决方案 #

1. 选用quadpy正交积分器实现向量化多区间计算 #

quadpy的正交积分器（如Gauss-Legendre）支持直接传入二维数组形式的多区间（每行对应一个区间的[xmin, xmax]），通过一次integrate()调用即可完成所有区间的积分计算。

2. 修正损失函数的维度匹配逻辑 #

确保损失函数的输入输出维度与积分器的向量化要求对齐：积分器会传入形状为(N, 1)的积分点数组（N为积分点数量），需通过广播逻辑让计算覆盖所有区间对应的损失值。

修正后的完整代码 #

import quadpy
import numpy as np


class Kelly:
    def __init__(self):
        self.odds = 1.952
        self.kelly = 0.08961344537815132
        self.i = 0.001
        self.f = np.arange(0, 1 + self.i, self.i).flatten()
        self.c1 = 1
        self.c2 = 2
        self.k = 1.5
        # 初始化10阶Gauss-Legendre积分器，阶数可按需调整
        self.integrator = quadpy.c1.gauss_legendre(10)

    def loss_function(self, p):
        p_flat = p.flatten()
        # 计算每个区间的阈值，形状为(M,)，M是区间总数
        threshold = self.f * (self.odds - 1) + 1 / self.odds
        # 广播得到(N,M)的布尔矩阵，匹配积分点与区间的判断逻辑
        mask = p_flat[:, None] < threshold
        # 按条件生成损失值数组
        loss = np.where(mask, (self.c1 + self.c2) * np.abs(self.f - self.kelly)**self.k, 0)
        return loss

    def integrate(self):
        # 构造多区间数组，形状为(M,2)，每行对应一个区间的上下限
        intervals = np.stack([np.zeros_like(self.f), 
                              self.f * (self.odds - 1) + 1 / self.odds], axis=1)
        # 执行向量化积分
        vals = self.integrator.integrate(self.loss_function, intervals)
        # 若需误差估计，可替换为自适应积分器：vals, errors = quadpy.c1.adaptive.integrate(...)
        return vals, None


kelly = Kelly()
vals, errors = kelly.integrate()
print(vals[:5], errors)  # 打印前5个区间的积分结果

关键补充 #

• 若需要误差估计，可替换为自适应积分器quadpy.c1.adaptive.integrate()，该接口会返回积分值数组和误差数组。
• Gauss-Legendre积分器的阶数可根据精度需求调整，阶数越高计算精度越好，但计算量会相应增加。

内容的提问来源于stack exchange，提问作者HJA24