2、数值积分基础：黎曼和与积分定义、左端点、右端点、中点法则

2.1 从物理问题说起

我记得刚入行做仿真那会儿，遇到一个很头疼的问题。一个运动物体的速度曲线是已知的，但位移怎么算？

你想想看，如果速度是恒定的，那很简单——速度乘以时间就行。但现实世界哪有这么理想？速度总是在变。这时候，数值积分就派上用场了。

说白了，数值积分就是「用近似的方法求曲线下的面积」。我们没法像数学公式那样精确，但我们可以做到足够好。

2.2 黎曼和：最朴素的积分思想

黎曼和的思想其实特别朴素。你想求一个函数 f(x) 在区间 [a, b] 上的积分，怎么办？

把区间切成 n 个小段，每段取一个代表点，用这个点的函数值乘以段宽度，然后加起来。这就是黎曼和。

∫[a,b] f(x) dx ≈ Σ[i=1 to n] f(xi*) * Δx

我在项目中遇到过不少新手，一上来就追求高精度算法，结果代码写得很复杂，调试半天还跑不通。其实很多时候，黎曼和就能解决问题。别小看它。

2.3 左端点法则

左端点法则，就是取每个子区间的左端点作为代表点。

左端点法则公式：
∫[a,b] f(x) dx ≈ Δx * [f(x0) + f(x1) + ... + f(xn-1)]

其中 xi = a + i * Δx, i = 0, 1, ..., n-1

嗯，这里要注意。左端点法则有个特点——它总是低估单调递增函数的积分，高估单调递减函数的积分。为什么？因为左端点的函数值小于（或大于）区间内的平均值。

2.4 右端点法则

右端点法则跟左端点法则对称，取每个子区间的右端点。

右端点法则公式：
∫[a,b] f(x) dx ≈ Δx * [f(x1) + f(x2) + ... + f(xn)]

其中 xi = a + i * Δx, i = 1, 2, ..., n

右端点法则的误差特性跟左端点法则正好相反。它高估单调递增函数的积分，低估单调递减函数的积分。

我曾经犯过一个错误——用右端点法则计算一个快速衰减的指数函数积分，结果误差大得离谱。后来才意识到，对于这种函数，应该用左端点法则或者中点法则。

2.4 中点法则：更聪明的选择

中点法则取每个子区间的中点作为代表点。你想想看，中点往往比端点更能代表整个区间的平均水平。

中点法则公式：
∫[a,b] f(x) dx ≈ Δx * [f(x0.5) + f(x1.5) + ... + f(xn-0.5)]

其中 xi+0.5 = a + (i + 0.5) * Δx, i = 0, 1, ..., n-1

为什么会这样？因为中点法则的误差项中，一阶项相互抵消了。说白了，就是中点能更好地捕捉函数在区间内的平均行为。

2.5 三种法则的对比

2.6 知识体系图

下面这张图展示了本章的核心逻辑——从连续积分到离散近似的完整路径。

2.7 代码示例：三种法则的实现

下面是一个简单的 Python 实现，对比三种法则的效果。

import numpy as np

def left_riemann(f, a, b, n):
    """左端点法则"""
    dx = (b - a) / n
    x = np.linspace(a, b - dx, n)  # 左端点
    return np.sum(f(x)) * dx

def right_riemann(f, a, b, n):
    """右端点法则"""
    dx = (b - a) / n
    x = np.linspace(a + dx, b, n)  # 右端点
    return np.sum(f(x)) * dx

def midpoint_riemann(f, a, b, n):
    """中点法则"""
    dx = (b - a) / n
    x = np.linspace(a + dx/2, b - dx/2, n)  # 中点
    return np.sum(f(x)) * dx

# 测试函数：f(x) = x²
def f(x):
    return x**2

a, b = 0, 1
exact = 1/3  # 精确值

for n in [10, 100, 1000]:
    L = left_riemann(f, a, b, n)
    R = right_riemann(f, a, b, n)
    M = midpoint_riemann(f, a, b, n)
    print(f"n={n}: 左={L:.6f}, 右={R:.6f}, 中={M:.6f}, 精确={exact:.6f}")

嗯，这一章的内容就到这里。黎曼和是数值积分的基石，左端点、右端点、中点法则是最基本的三种实现方式。理解它们的误差特性，比死记公式重要得多。