线性方程积分上限求解时舍入小数精度问题导致NaN生成

• 你推导的求解公式本身解析层面是完全正确的，根号内的判别式理论上应恒为非负数，报错完全来自浮点数运算的精度损失：
  1. 你提供的测试用例中，x区间宽度仅为3e-5量级，y值跨度却高达1.5e6，计算得到的斜率绝对值非常大，四则运算过程中的舍入误差会被大幅放大。
  2. 当待求面积a接近总积分面积时，判别式理论值应为0，但np.trapz计算总面积时本身存在微小的浮点误差，再加上np.linspace生成的末尾值可能因为精度问题略超过理论总面积，最终导致判别式的计算结果出现量级极小的负数（通常为-1e-10及以下，属于典型的浮点误差范畴）。
  3. 截断/舍入后的输入值提前引入了额外的舍入误差，进一步放大了精度问题，所以比随机浮点数输入更容易触发警告。

以下方案按实现成本从低到高排序，常规场景下第一种方案即可完全解决问题：

• 方案1：判别式截断（推荐）
  直接对根号内的判别式做最小阈值限制，强制其不小于0，误差带来的负数值极小，不会对结果精度产生可感知的影响，修改代码如下：

  discriminant = (b**2) - (4*(0.5*m)*(-0.5*m*(c**2) - (b*c) - a))
  xincrements = ((-1*b) + np.sqrt(np.maximum(discriminant, 0))) / m
  

• 方案2：优化总面积与a的生成逻辑
  用线性函数积分的精确解析值替代np.trapz的计算结果，同时给面积上限加微小偏移避免linspace生成超限值：

  # 两点线性函数积分的精确解析值，无计算误差
  area_exact = 0.5 * (yvals[0] + yvals[1]) * (xvals[1] - xvals[0])
  # 上限加微小负偏移，避免末尾值超限
  a = np.linspace(0, area_exact * 0.99999999, nsplits+1)
  

• 方案3：优化公式运算顺序
  可以对判别式的表达式做代数变形，减少大数与小数相乘、相近值相减的运算场景，进一步降低精度损失，适合对精度要求极高的场景。

内容的提问来源于stack exchange，提问作者Estif