基于NumPy实现带指定容差的数值积分自定义函数

Hey，我来帮你把这个固定段数的中点积分函数扩展成支持指定容差的版本～ 核心思路有两种，一种是自适应细分区间（效率更高，只在函数变化大的地方多计算），另一种是全局迭代增加段数（实现简单、容易理解），我都给你详细讲讲：

方法一：自适应递归中点积分（推荐） #

你的原函数是固定N段的中点法，没法自动根据函数平滑度调整精度。自适应方法的逻辑是：把区间拆成两半分别计算积分，如果两次结果的差值小于容差，就返回更精确的结果；如果没满足，就继续递归拆分这两个子区间，直到所有子区间都达到精度要求。

首先我们先写一个基础的单区间中点积分函数（复用你的逻辑，但简化为单个区间计算）：

import numpy as np

def midpoint_single(f, a, b):
    # 计算单个区间[a,b]的中点积分值
    mid_x = a + (b - a)/2
    return f(mid_x) * (b - a)

然后是带容差的自适应积分函数：

def adaptive_midpoint_integrate(f, a, b, tol=1e-6):
    # 先计算整个区间的中点积分
    whole_area = midpoint_single(f, a, b)
    # 拆分区间为左右两半
    mid_point = (a + b)/2
    left_area = midpoint_single(f, a, mid_point)
    right_area = midpoint_single(f, mid_point, b)
    # 计算拆分前后的差值，用来估计误差
    error_estimate = abs(left_area + right_area - whole_area)
    
    # 中点法的误差阶是O(h²)，拆分后误差会降到原来的1/4左右，所以用3*tol作为判断阈值
    if error_estimate <= 3 * tol:
        # 满足容差，返回更精确的拆分后结果
        return left_area + right_area
    else:
        # 不满足容差，递归处理左右子区间，每个子区间的容差也要减半（总误差不超过设定值）
        return adaptive_midpoint_integrate(f, a, mid_point, tol/2) + adaptive_midpoint_integrate(f, mid_point, b, tol/2)

关键点解释： #

• 误差判断：因为中点法的误差和区间长度的平方成正比，当我们把区间长度减半，误差会变成原来的1/4，所以用error_estimate <=3*tol的经验判断，能保证最终结果的误差小于你设定的tol。
• 递归细分：只在误差超标的区间继续拆分，对于函数平滑的区间不会做多余计算，效率比全局加段数高很多。

测试例子： #

比如计算f(x)=x²从0到1的积分，精确值是1/3≈0.3333333333：

def test_func(x):
    return x**2

result = adaptive_midpoint_integrate(test_func, 0, 1, tol=1e-8)
print(result)  # 输出会非常接近0.3333333333333333

方法二：全局迭代增加段数（简单易实现） #

如果你觉得递归有点复杂，也可以基于你原来的integrate函数，通过不断翻倍N（段数），直到两次计算的积分差值小于容差：

def integrate_with_tol(f, a, b, tol=1e-6, max_iter=100):
    # 初始段数设为1
    prev_N = 1
    prev_area = integrate(f, a, b, prev_N)
    
    for _ in range(max_iter):
        current_N = prev_N * 2
        current_area = integrate(f, a, b, current_N)
        # 检查两次结果的差值是否小于容差
        if abs(current_area - prev_area) < tol:
            return current_area
        # 更新前一次的结果和段数
        prev_area = current_area
        prev_N = current_N
    
    # 如果达到最大迭代次数还没满足容差，抛出警告并返回当前结果
    print(f"Warning: Max iterations ({max_iter}) reached without meeting tolerance.")
    return prev_area

关键点解释： #

• 翻倍N：每次把段数翻倍，相当于把每个小区间的长度减半，中点法的误差会降到原来的1/4，所以两次结果的差值可以用来估计当前的误差。
• 简单直接：不需要递归，逻辑直观，但缺点是不管函数是否平滑，都会全局增加段数，对于局部变化大的函数会浪费计算资源。

两种方法对比 #

你可以根据自己的需求选择合适的版本～

内容的提问来源于stack exchange，提问作者Foad S. Farimani