數值積分計算機

此數值積分計算機針對同一個定積分比較三種實用的求積策略：高斯求積法 (Gaussian quadrature)、龍貝格積分法 (Romberg integration) 和自適應辛普森求積法 (adaptive Simpson quadrature)。它專為需要清晰估計值以及解釋估計過程的診斷資訊的學生、工程師、分析師和開發者設計。

如何使用

1. 輸入函數和區間： 輸入一個 x 的函數，然後輸入定積分的下限和上限。
2. 設置精度控制： 選擇容差、最大高斯階數、龍貝格階層和自適應遞歸深度，以匹配問題的平滑度。
3. 計算與比較： 運行計算機以並排查看高斯、龍貝格和自適應求積估計值，以及誤差信號和函數計算次數。
4. 檢查視覺診斷： 使用曲線圖、收斂圖、龍貝格表和自適應區間列表來了解各方法達成一致或遇到困難的地方。

支援的函數語法

使用 x 作為積分變量。常見的函數和常數包括 sin, cos, tan, exp, log, ln, sqrt, abs, erf, gamma, pi, e 和 tau。乘法必須明確標註，例如寫成 2*x 而非 2x。冪運算可以使用 ^ 或 ** 輸入。

方法比較

解讀結果

估計值是該方法的最終近似結果。誤差信號是內部的差異估計，而非絕對誤差的正式證明。一致性分佈比較了三種最終估計值；較小的分佈是一個有用的合理性檢查，尤其是當各方法使用不同的採樣邏輯時。

對於困難的積分，請增加高斯階數、增加龍貝格階層、提高自適應深度，或者在不連續點或尖銳特徵周圍手動拆分區間。對真正奇異點的數值積分需要數學上的謹慎，即使計算機返回了一個數字也是如此。

常見問題 (FAQ)

數值積分估計的是什麼？

當精確的反導數不可用、不方便或不需要時，數值積分會估計區間內定積分的值。它在選定的 x 值處對函數進行採樣，並將這些樣本與特定方法的權重結合，以近似曲線下的有符號面積。

我應該在何時信任高斯、龍貝格或自適應求積法？

高斯求積法通常非常適合有限區間上的平滑函數，因為它能非常高效地佈置採樣點。龍貝格積分法適用於梯形細化呈現規律改進的平滑函數。當函數具有局部曲率、端點行為或整個區間難度不均時，自適應求積法通常是更安全的首先選擇。

為什麼這三種方法會產生分歧？

分歧通常意味著在所選設置下，該函數對至少一種方法來說很困難。常見原因包括尖峰、端點奇異性、不連續性、振盪、抵消、區間過寬，或對於可用採樣預算而言容差過於嚴格。

此計算機會取代符號積分嗎？

不會。符號積分試圖找到精確的反導數，而此計算機是以數值方式近似定積分。數值積分對於測量數據、特殊函數、模擬模型以及閉合形式複雜或不可用的積分非常有用。

我該如何選擇容差？

對於普通的平滑函數，可以從 1e-8 之類的容差開始。當估計值趨於一致且你需要更多位數時，請縮小容差；當函數計算成本高、高度振盪或具有強制多次細分的端點行為時，請放寬容差或增加方法限制。