使用积分 `2 × ∫(1 / (1 + x^2))` 从 `-1` 到 `1` 来近似计算 π 是一种基于反正切函数性质的方法。具体而言，该定积分等于 `π/2`，因此将结果乘以 2 即可得到 π 的近似值。 为了提高计算的精度，可以结合以下策略： --- ### **1. 提高数值积分方法的精度** 通常我们会用数值积分技术来代替解析解。下面是一些常见的数值积分方法及其优劣分析： #### （1）梯形法则 通过分段线性插值逼近曲线面积。虽然简单易懂，但对于光滑曲线下方区域估算仍显粗糙。 ```python import numpy as np def trapezoidal_rule(f, a, b, n): h = (b - a) / n x = np.linspace(a, b, n+1) y = f(x) return h * (0.5*y[0] + 0.5*y[-1] + sum(y[1:-1])) f = lambda x: 1 / (1 + x**2) result = 2 * trapezoidal_rule(f, -1, 1, int(1e6)) print("Approximation of π:", result) ``` > 将分割区间数目 `n` 增大可以获得更高精度的结果。 #### （2）辛普森法则 比梯形规则更为精确，因为它采用了抛物线而非直线拟合局部数据点分布趋势。 ```python from scipy.integrate import simps x = np.linspace(-1, 1, int(1e6)+1) y = 1 / (1 + x**2) integral_result = simps(y, x=x) pi_approx = 2 * integral_result print("Approximation of π using Simpson's rule:", pi_approx) ``` > 辛普森法则对平滑函数特别有效，并且只需较少的采样点即可达到较高精度。 --- ### **2. 自适应积分法** 自适应积分会动态调整每个区间的步长大小，使得复杂部分分配更多节点用于细致刻画形状特征。 ```python from scipy.integrate import quad # 定义目标函数 func = lambda x: 1 / (1 + x**2) # 执行二次积分 value, error = quad(func, -1, 1) pi_value = 2 * value print(f"Approximated Pi Value={pi_value}") ``` > SciPy 中的 `quad()` 函数实现了自适应 Gaussian-Kronrod 积分方案，默认提供高达 ~1.e-8 的绝对误差限控制能力！ --- ### **3. 使用符号工具（Symbolic Computation）获得无限精度** 如果希望追求理论极限意义上的“完美”答案，则需引入支持任意精度浮点运算的专业包比如 SymPy 或者 mpmath。 示例代码如下所示： ```python from sympy import symbols, integrate, pi x = symbols('x') expr = 1 / (1 + x**2) exact_integral = integrate(expr, (x, -1, 1)).evalf() # 数值化表达式 estimated_pi = exact_integral * 2 # 根据公式还原 PI print("Exact Pi Estimation via Symbolics:", estimated_pi) ``` 这种方法不仅可以避免舍入错误累积影响整体效果外还能保留原始代数结构信息便于后续深入探讨。 --- ### § 相关问题 § : 1. 对于同样数量级样本量的情况下，为什么辛普森法则要比普通的矩形或者梯形法则准确得多呢? 2. 如果想进一步提升上述各种离散积分技巧下的最终输出质量还有哪些可行措施吗 ? 3. 当我们面对非连续型被积函数时是否依然适合采取同样的思路来进行类似任务 ?