CASE 5.1
梯形法 vs 辛普森法:误差对决
计算 I = ∫₀1 e−x²dx ≈ 0.7468241328(概率积分,无初等原函数)。梯形法用折线代替曲线(误差 O(h²)),辛普森法用抛物线(误差 O(h⁴))。n 从 4 扫到 256,看两种方法的误差如何按「理论斜率」坍缩。
code/ch05a_simpson.cpp(生成 SVG 需要 svgplot.hpp)下载源码 ↓
// ch05a_simpson.cpp —— 实验 5.1:数值积分方法大比拼(含 SVG 误差图) // 数学:梯形法误差 O(h²)、辛普森法误差 O(h⁴) // 积分:∫[0,1] e^{−x²} dx ≈ 0.7468241328124271(概率积分,无初等原函数!) #include "svgplot.hpp" #include <cstdio> #include <cmath> #include <vector> double g(double x) { return std::exp(-x * x); } double trapezoid(int n) { double h = 1.0 / n, s = 0.5 * (g(0) + g(1)); for (int i = 1; i < n; ++i) s += g(i * h); return s * h; } double simpson(int n) { // n 取偶数 double h = 1.0 / n, s = g(0) + g(1.0); for (int i = 1; i < n; ++i) s += (i % 2 ? 4.0 : 2.0) * g(i * h); return s * h / 3.0; } int main() { const double EXACT = 0.7468241328124271; printf("== 实验 5.1 梯形法 vs 辛普森法:∫[0,1] e^(−x²) dx ==\n\n"); printf("(被积函数没有初等原函数 —— 数值积分是唯一出路)\n\n"); printf("%8s %14s %14s %14s %14s\n", "n", "梯形结果", "梯形误差", "辛普森结果", "辛普森误差"); printf("------------------------------------------------------------\n"); std::vector<std::pair<double, double>> eT, eS; int ns[] = {4, 8, 16, 32, 64, 128, 256}; for (int n : ns) { double t = trapezoid(n), s = simpson(n); double et = std::fabs(t - EXACT), es = std::fabs(s - EXACT); printf("%8d %14.10f %14.3e %14.10f %14.3e\n", n, t, et, s, es); eT.push_back({std::log2((double)n), std::log10(et)}); eS.push_back({std::log2((double)n), std::log10(es)}); } printf("\n观察:n 加倍 → 梯形误差 ÷4(斜率 −2),辛普森误差 ÷16(斜率 −4)。\n"); printf(" 同样的函数求值次数,辛普森快两个数量级 —— 阶数决定效率。\n"); // ---- SVG:log-log 误差图 ---- SvgPlot pl(1.8, 8.4, -13.5, -1.0, 680, 400); pl.open("ch05a_simpson.svg"); pl.axes("log2 n", "log10 误差"); pl.plot(eT, "#003b5c", 1.8, "", "梯形法(O(h²))"); pl.plot(eS, "#b23a2e", 2.2, "", "辛普森法(O(h⁴))"); pl.legend(); pl.close(); printf("\n已生成 ch05a_simpson.svg(误差收敛 log-log 图)\n"); return 0; }
▶ 编译运行输出
== 实验 5.1 梯形法 vs 辛普森法:∫[0,1] e^(−x²) dx ==
(被积函数没有初等原函数 —— 数值积分是唯一出路)
n 梯形结果 梯形误差 辛普森结果 辛普森误差
------------------------------------------------------------
4 0.7429840978 3.840e-03 0.7468553798 3.125e-05
8 0.7458656148 9.585e-04 0.7468261205 1.988e-06
16 0.7465845968 2.395e-04 0.7468242574 1.246e-07
32 0.7467642547 5.988e-05 0.7468241406 7.795e-09
64 0.7468091636 1.497e-05 0.7468241333 4.872e-10
128 0.7468203905 3.742e-06 0.7468241328 3.045e-11
256 0.7468231972 9.356e-07 0.7468241328 1.904e-12
观察:n 加倍 → 梯形误差 ÷4(斜率 −2),辛普森误差 ÷16(斜率 −4)。
同样的函数求值次数,辛普森快两个数量级 —— 阶数决定效率。
已生成 ch05a_simpson.svg(误差收敛 log-log 图)
FIG 5.1误差收敛 log-log 图(程序生成):梯形法斜率 −2,辛普森法斜率 −4 —— n 每翻倍,误差分别 ÷4 与 ÷16。
要点解析:同样的函数求值次数,辛普森快两个数量级——算法的「阶」决定成本。这就是数值分析的第一定律,也是后续 RK4(第 7 章)战胜欧拉法的同一原理。