能否用Numpy结合梯形法则计算积分？与蒙特卡洛法效率对比

开发者阿泽

2026-5-28

当然可以用梯形法则结合NumPy高效计算这类积分！而且对于连续且在区间内没有剧烈振荡或奇异点的函数，梯形法则通常比你用的这种蒙特卡洛方法更快、精度更稳定。

先直接给你梯形法则的实现代码

针对你提到的cos(x)/x这类函数，我们可以写一个简洁的NumPy向量化函数来计算区间[a,b]上的积分：

import numpy as np

def trapezoidal_integral(f, a, b, n):
    # 生成n+1个等间距采样点
    x = np.linspace(a, b, n + 1)
    # 计算所有点的函数值（NumPy向量化操作，比循环快N倍）
    y = f(x)
    # 梯形法则核心公式：步长h乘以（首尾点平均 + 中间点求和）
    h = (b - a) / n
    integral = h * (np.sum(y) - 0.5 * (y[0] + y[-1]))
    return integral

# 测试cos(x)/x的积分，比如区间[1,5]，取1000个采样点
def target_func(x):
    return np.cos(x) / x

result = trapezoidal_integral(target_func, a=1, b=5, n=1000)
print(f"梯形法则计算结果：{result:.6f}")

运行这个代码你会得到一个精度很高的结果，而且计算速度极快——因为NumPy的底层是C实现，所以哪怕n=10000，计算也几乎是瞬间完成。

两种方法的对比：梯形法则 vs 你的蒙特卡洛实现

我们从速度、精度、适用场景三个维度来拆解：

1. 速度

梯形法则的计算量和采样点数量n成正比，而且NumPy的向量化操作完全避开了Python循环，效率拉满。

而你的蒙特卡洛方法需要几十万甚至上百万样本才能达到相近的精度——我们可以用timeit做个简单测试：

import timeit

# 蒙特卡洛实现（适配cos(x)/x的区间[1,5]）
def monte_carlo_integral(f, a, b, num_samples):
    x = np.random.uniform(a, b, num_samples)
    # 先预估函数的取值范围，确定蒙特卡洛的矩形区域
    y_min = np.min(f(np.linspace(a, b, 1000)))
    y_max = np.max(f(np.linspace(a, b, 1000)))
    y = np.random.uniform(y_min, y_max, num_samples)
    count = np.sum(y < f(x))
    return (count / num_samples) * (b - a) * (y_max - y_min)

# 各跑100次对比时间
trapezoidal_time = timeit.timeit(lambda: trapezoidal_integral(target_func, 1,5,1000), number=100)
monte_carlo_time = timeit.timeit(lambda: monte_carlo_integral(target_func,1,5,500000), number=100)

print(f"梯形法则100次耗时：{trapezoidal_time:.4f}秒")
print(f"蒙特卡洛100次耗时：{monte_carlo_time:.4f}秒")

你会发现梯形法则的耗时可能只有蒙特卡洛的1/100甚至更少，差距非常明显。

2. 精度

梯形法则是确定性方法：对于光滑函数，误差和步长的平方成正比（O(h²)），只要增加n就能稳定提升精度，多次运行结果完全一致。
蒙特卡洛是概率性方法：误差和样本量的平方根成反比（O(1/√N)），要把精度提升10倍，样本量需要增加100倍——这意味着要达到梯形法则的精度，你可能需要几百万甚至上千万样本，速度会慢到无法接受。

3. 适用场景

梯形法则适合低维、光滑、区间确定的积分，这也是你当前的场景，绝对是最优选择。
蒙特卡洛的优势在高维积分（比如10维以上）：此时确定性方法的计算量会指数级增长，而蒙特卡洛的计算量只是线性增长，这时候它才会更高效。

注意点：处理奇异点

如果你的积分区间包含cos(x)/x的奇点x=0，直接用梯形法则会出问题。这时候可以把区间拆分成[a, 0-ε]和[0+ε, b]（ε取极小值），或者使用自适应梯形法则（自动调整采样点密度），但哪怕这样，处理后的确定性方法依然比蒙特卡洛高效。

内容的提问来源于stack exchange，提问作者JKM