1. 课程导入与数值积分问题界定

在科学计算与工程分析中，我们经常遇到一类看似简单却难以直接求解的问题：已知函数 \(f(x)\) 的表达式，却无法或不便求出其原函数，而实际任务又要求我们得到定积分 \(\int_a^b f(x)\,dx\) 的数值。例如，在结构工程中计算不规则截面上的合力，在热学中由离散测得的温度分布求平均温度，在概率统计中由密度函数求累积概率，这些场景往往只能依赖数值方法。数值积分正是研究"如何用有限次函数取值来近似定积分"的学科分支，它的核心任务可以概括为一句话：用可计算的离散信息，逼近不可直接计算的连续积分量，并对逼近的好坏给出可信的量化说明。

理解这个核心任务，需要抓住三个关键词。第一是"离散信息"——数值积分只允许我们在有限个点上调用函数，得到有限个函数值或导数值，这些点称为节点，对应的加权求和形式就是求积公式。第二是"逼近"——任何求积公式都不可能对所有函数精确成立，它必然带有截断误差，因此公式的构造本质上是在用简单函数（如多项式）替代被积函数。第三是"量化说明"——只给出一个近似数字而不说明它离真值有多远，在工程上几乎没有价值。这正是误差评估的必要性所在：一个没有误差估计的积分结果，无法判断是否满足精度要求，也无法在多个候选算法之间做出选择。

为了看清数值积分在整个计算流程中的位置，可以用下面的信号链来理解：被积函数与积分区间是输入，节点选取与权重构造是处理环节，近似积分值是输出，而误差估计则是对输出可信度的反馈校验。这条链上任何一环选择不当，都会导致结果失真。

从图中可以看到，误差评估并非在计算结束后才补上的一步，而是与节点选取、公式构造紧密耦合的反馈环节。当误差估计显示精度不足时，我们需要回到节点与权重的设计上，增加节点、提高公式阶数或改用自适应策略。因此，本课程的整体路线可以按"问题—工具—评估—应用"四个层次展开：先界定数值积分问题与误差来源，再系统学习牛顿-科特斯公式、复合求积、龙贝格积分、高斯求积等经典算法，随后建立截断误差与舍入误差的分析框架，最后通过算法对比与工程案例完成从理论到实践的闭环。

在正式进入算法之前，有必要先厘清误差的两个基本来源，因为后续所有算法选择都围绕它们展开。其一是截断误差，它来自用低阶简单函数替代被积函数，属于方法本身的固有偏差，通常随节点数增加而按幂次或指数速度下降。其二是舍入误差，它来自计算机浮点运算的有限精度，节点越多、步长越小，参与运算的次数越多，舍入误差反而可能累积放大。二者之间存在此消彼长的关系，这意味着"节点越多越精确"是一个常见误解，实际选择算法时必须在精度与稳定性之间取得平衡。

为了建立直观认识，考虑一个教学示例：计算 \(\int_0^1 e^{-x^2}\,dx\)。该函数没有初等原函数，只能数值求解。若用梯形公式取两个子区间，步长 \(h=0.5\)，节点为 0、0.5、1，函数值约为 1、0.7788、0.3679，则近似值为 \(\frac{0.5}{2}(1 + 2\times0.7788 + 0.3679)\approx 0.7314\)。而用辛普森公式在同样三个节点上计算，得到 \(\frac{0.5}{3}(1 + 4\times0.7788 + 0.3679)\approx 0.7472\)。两者相差约 0.0158，这个差值本身就构成了一种粗略的误差信号——它提示我们梯形公式的精度明显低于辛普森公式。需要说明的是，以上数值为教学示例中的合理近似，用于说明方法差异，并非实测结果。

这个例子揭示了误差评估的两种典型思路：一是先验估计，利用误差公式 \(E\le \frac{(b-a)^3}{12n^2}\max|f''(x)|\) 这类理论界，在计算前预判所需节点数；二是后验估计，通过比较不同精度公式的结果（如梯形与辛普森之差）来推断误差量级。前者适合理论分析与参数预设，后者适合实际编程中的自适应控制。两种思路各有适用场景，后续章节会分别展开。

综合来看，本节需要建立的学习目标包括：能够用自己的语言说明数值积分的核心任务与适用边界；能够区分截断误差与舍入误差的来源及其相互制约关系；能够读懂求积公式的节点—权重结构，并理解误差评估为何是算法选择的依据；能够对给定问题初步判断应优先考虑哪一类方法。掌握这些内容后，后续对具体算法的推导与比较就有了统一的参照框架，而不至于陷入公式记忆而不知其所以然。