复化辛普森法是一种高效的数值积分方法，其核心思想是在每个子区间上用二次多项式拟合原函数，从而提高积分精度。为了达到给定的精度要求，可以动态调整节点数直至满足误差条件。 以下是基于复化辛普森法实现数值积分并计算所需节点数的具体方法： ### 复化辛普森法简介 复化辛普森法将整个积分区间 $[a, b]$ 划分为偶数个等宽的小区间，并在每个相邻两组三个点组成的子区间上应用辛普森公式求解局部积分值[^1]。最终通过累加各子区间的积分值得到整体积分估计值。 对于一个函数 $f(x)$ 在区间 $[a,b]$ 上的积分 $\int_a^b f(x)\,\mathrm{d}x$ ，假设将其划分为 $n$ （必须为偶数）份，则每一份宽度为： $$ h = \frac{b-a}{n}. $$ 对应的复化辛普森公式的表达式如下： $$ S_n = \frac{h}{3}\left[f(a) + 4\sum_{i=1,3,5,...}^{n-1}f(x_i) + 2\sum_{i=2,4,6,...}^{n-2}f(x_i) + f(b)\right], $$ 其中 $x_i=a+ih$, $(i=0,...,n)$ 表示所有节点位置[^1]。 当希望控制结果精度至某一水平时，可通过反复加倍分割数量观察前后两次估值差距是否小于指定阈值完成判断流程设计[^2]。 下面是具体的 Python 实现代码： ```python import numpy as np def composite_simpsons_rule(func, a, b, tol=1e-6): """ 使用复化辛普森规则计算定积分，并根据精度自动调整节点数。 参数: func (function): 待积函数。 a (float): 积分区间的左端点。 b (float): 积分区间的右端点。 tol (float): 容忍误差，默认为 1e-6。 返回: integral_value (float): 数值积分的结果。 num_nodes (int): 达到目标精度所需的节点总数。 """ # 初始化参数 n = 2 # 起始至少有两个间隔即三个点才能形成第一个完整的Simpson片元 h = (b - a) / n x_values = np.linspace(a, b, n+1) y_values = list(map(func, x_values)) old_integral = compute_simpsons(y_values, h) error = float('inf') while error > tol: n *= 2 # 增加一倍的节点数 h /= 2 # 只需新增中间点部分之和 new_x_values = np.linspace(a, b, n+1) new_y_values = [] for xi in new_x_values: if xi not in x_values: # 对于尚未计算过的点才重新调用func评估 yi = func(xi) new_y_values.append(yi) else: idx = int((xi - a)/h) % len(y_values) # 找回已知y值索引号 new_y_values.append(y_values[idx]) combined_ys = update_with_new_points(new_y_values, y_values) new_integral = compute_simpsons(combined_ys, h/2) error = abs(new_integral - old_integral) old_integral = new_integral x_values = new_x_values.copy() y_values = combined_ys.copy() return new_integral, n+1 def compute_simpsons(y_vals, step_size): """辅助函数：按照Simpson's Rule组合系数乘以对应Y值再汇总""" total = y_vals[0] + y_vals[-1] length = len(y_vals) for i in range(1,length-1): coeff = 4 if i%2==1 else 2 total += coeff*y_vals[i] return total*(step_size/3) def update_with_new_points(new_points, existing_points): """更新已有列表加入新的采样点保持顺序不变""" merged_list = sorted(existing_points + new_points) return merged_list # 测试例子 if __name__ == "__main__": def example_func(x): return np.sin(x)**2+x**(-1)-np.log(x) result, nodes_needed = composite_simpsons_rule(example_func, 1, 2, tol=1e-8) print(f"Integral Result: {result}, Nodes Needed: {nodes_needed}") ``` 上述程序实现了这样一个功能：它接受用户定义的一个连续可微实值单变量函数以及两个代表闭合有限长度线段边界的常数；另外还可以接收一个小正实数用来指示所追求的最大绝对误差界限。最后输出符合标准的最佳逼近数值及其背后实际运用了多少个采样点参与运算得出结论的信息[^1]^。 --- ### 注意事项 - 若被积函数具有不光滑性质（如尖峰、断层），则可能需要特殊处理或改用其他更适合此类情况的技术手段。 - 当面对更高维度的空间积分任务时，简单扩展低维方法往往效率低下甚至不可行，此时应探索专门针对多维场景优化后的策略方案。