如何让R语言integrate()函数在间断点附近增加采样次数？

针对你遇到的integrate()对含间断点的函数采样不足、误差估计过于乐观的问题，这里提供两种直接可行的解决方案：

1. 手动拆分积分区间（最可靠） #

integrate()的自适应采样算法容易跳过窄范围的间断区间，手动拆分区间可以强制算法在间断点附近进行充分采样。以你的示例函数为例，把积分区间拆分成间断点所在的子区间和其他正常区间，分别计算后合并结果：

# 定义被积函数（无需Vectorize，integrate会自动向量化处理）
integrand <- function(x) {
  ifelse((x > 0.13) & (x < 0.14), Inf, x^2)
}

# 拆分区间，单独处理包含间断点的部分
int_left <- integrate(integrand, lower = 0, upper = 0.13)
int_discontinuity <- integrate(integrand, lower = 0.13, upper = 0.14)
int_right <- integrate(integrand, lower = 0.14, upper = 1)

# 合并积分结果
total_result <- list(
  value = int_left$value + int_discontinuity$value + int_right$value,
  abs.error = int_left$abs.error + int_discontinuity$abs.error + int_right$abs.error
)

print(total_result)

这种方法能确保integrate()在间断点两侧都进行足够的采样，彻底避免算法跳过关键区间的问题，对于你提到的“单调但异质性强的非连续函数”同样适用。

2. 强制增加细分次数（备选方案） #

虽然subdivisions是最大细分次数限制，但可以通过设置一个极大值+极低的容差参数，迫使算法在收敛前做更多采样：

integrate(integrand, 0, 1, subdivisions = 100000, rel.tol = 1e-12, abs.tol = 1e-15)

不过这种方法依赖integrate()的自适应策略，依然存在跳过窄间断区间的可能，稳定性不如手动拆分。

内容的提问来源于stack exchange，提问作者ivo Welch