2. 高维积分基础与数值方法概览

在进入高维积分的具体算法之前，需要先把“积分是什么、为什么高维会变难、有哪些方法可选”这三件事理清楚。本节回顾多重积分的定义，说明蒙特卡洛积分的基本思想，分析确定性网格方法的复杂度瓶颈，并据此建立一张方法地图与选择准则，为后续章节的算法实现提供判断依据。

多重积分：从一维到高维的统一表述

一维定积分 ∫[a,b] f(x) dx 的几何含义是曲线下的有向面积。推广到 d 维，多重积分写作

I = ∫_Ω f(x) dx,  x = (x₁, x₂, …, x_d) ∈ Ω ⊂ ℝ^d

其中 Ω 是积分区域，dx 表示 d 维体积元。当 Ω 为超矩形 [a₁,b₁]×…×[a_d,b_d] 时，积分可写成累次积分，逐维求解；当 Ω 是球、单纯形或由不等式约束定义的复杂区域时，通常需要引入指示函数 1_Ω(x)，把区域积分转化为在全空间或包围盒上的积分。这一转化在高维场景中非常关键，因为显式构造复杂区域的参数化往往比积分本身更困难。

从概率视角看，若把 f(x) 拆成“概率密度 × 期望”，即 f(x) = p(x)·g(x)，则 I = E_p[g(X)]。这个改写是蒙特卡洛方法的出发点：积分值等于某个随机变量函数的数学期望，而期望可以用样本均值估计。

蒙特卡洛积分的基本思想

蒙特卡洛积分不划分网格，而是在积分区域上抽取 N 个独立同分布样本 x₁,…,x_N ~ p(x)，用样本均值估计积分：

Î_N = (1/N) Σ_{i=1}^{N} g(x_i),   I ≈ Î_N

其误差由中心极限定理刻画：标准差约为 σ_g / √N，其中 σ_g 是 g(X) 的标准差。这个结论有两个重要含义：第一，收敛速度是 O(N^{-1/2})，与维数 d 无关；第二，误差只取决于被积函数的方差，而不取决于网格密度。因此当维数较高时，蒙特卡洛往往比网格法更划算。

但“与维数无关”不等于“高维一定好用”。若 g 的方差很大，例如被积函数集中在区域中一个很小的尖峰上，均匀采样几乎打不中有效区域，估计值会剧烈波动。此时需要重要性采样：选取更贴近被积函数形状的提议分布 q(x)，令

I = ∫ f(x) dx = ∫ [f(x)/q(x)] q(x) dx ≈ (1/N) Σ f(x_i)/q(x_i)

从而降低估计方差。这是后续章节中重要性采样、分层采样、拟蒙特卡洛等方法共同的出发点。

确定性网格方法的复杂度瓶颈

确定性方法中最直观的是张量积网格：在每一维上取 m 个节点，d 维共 m^d 个节点，用梯形公式或辛普森公式组合求积。以一维梯形公式误差 O(m^{-2}) 为例，d 维张量积的误差约为 O(m^{-2/d})；若要求误差达到 ε，则节点数约为 ε^{-d/2}，即计算量随维数呈指数增长，这就是所谓的“维数灾难”。

下面用一个示例说明量级差异（以下为按公式估算的示例，非实测）：设每维取 m=100 个节点，一维需 100 次函数求值，三维需 10⁶ 次，六维需 10¹² 次，十维则达到 10²⁰ 次，已远超任何实际算力。相比之下，蒙特卡洛取 N=10⁶ 个样本，无论维数多少，函数求值次数都是 10⁶ 次，只是误差从 O(N^{-1/2}) 决定，约为千分之一量级。这组对比清楚说明了方法选择的分水岭：低维（一般 d ≤ 3～4）网格法精度高、误差可控；中高维则应转向采样类方法。

方法地图与选择准则

把上述内容整理成一张方法地图，可以按“维数—光滑性—区域复杂度—精度要求”四个维度定位方法。下图给出主要方法族之间的关系与适用区间，帮助在具体问题中快速定位候选方法。

图中左侧是确定性网格法，适用于低维、光滑、区域规则的问题，优点是误差有明确阶数、结果可复现；右侧是采样类方法，适用于中高维，其中朴素蒙特卡洛实现最简单但方差大，重要性采样和分层采样通过改变采样分布降低方差，拟蒙特卡洛则用低差异序列替代伪随机数，在函数足够光滑时可获得接近 O(N^{-1}) 的收敛速度。底部给出按优先级排列的选择准则，实际使用时先看维数，再看光滑性与区域复杂度，最后结合精度要求决定是否采用自适应或稀疏网格等改进方案。

一个可执行的选择流程

把准则落到操作层面，可以按以下顺序判断。第一步估计有效维数：对 f 做少量样本的敏感性分析，观察哪些变量真正影响输出；若有效维数不超过 4，优先尝试网格法或稀疏网格。第二步检查光滑性：若 f 存在间断、尖峰或强非线性，网格法误差阶数会退化，应转向采样方法。第三步评估方差：先用小样本 N=10⁴ 试算，观察估计值的相对标准差，若超过 5%，说明需要重要性采样或分层策略。第四步确定精度目标：若要求相对误差低于 10⁻³，纯蒙特卡洛约需 10⁶ 量级样本，可考虑 QMC 或方差缩减技术降低样本量。