2. 数值积分基础回顾

自适应步长积分并不是一套凭空出现的新算法，它建立在经典数值积分理论之上。要理解“为什么可以根据误差自动调整步长”，必须先回到三个基础问题：定积分在数值上究竟被逼近成了什么？求积公式的一般结构是什么？一个公式“有多准”该如何度量？本节围绕这三个问题展开，为后续的自适应策略建立理论起点。

一、定积分的数值逼近本质

定积分 I = ∫ab f(x) dx 的几何意义是曲线与 x 轴之间带符号的面积。黎曼积分的定义是把区间 [a,b] 分成若干小区间，在每个小区间内取一点求函数值，乘以区间长度后求和，再令最大区间长度趋于零取极限。数值积分正是截取这个极限过程中的“有限和”：用有限个函数值的加权和去近似积分值。

因此，任何数值求积公式都包含两个关键选择：节点（在哪些位置采样函数值）和权重（每个采样值乘多大系数）。误差则来自两方面：一是用有限和替代极限带来的截断误差，二是函数值本身计算不精确带来的舍入误差。自适应步长策略主要针对截断误差——它通过估计并控制截断误差，决定区间该细分到多细。

二、求积公式的一般形式

一般的求积公式可写成加权和形式：

I ≈ Q[f] = Σ_{i=0}^{n} A_i · f(x_i)
其中 x_i ∈ [a,b] 为求积节点，A_i 为求积权重

最常见的两类是牛顿–科茨型公式与高斯型公式。牛顿–科茨公式取等距节点，例如梯形公式（n=1）与辛普森公式（n=2）：

梯形：  Q_T = (b-a)/2 · [f(a) + f(b)]
辛普森：Q_S = (b-a)/6 · [f(a) + 4f((a+b)/2) + f(b)]

高斯型公式则把节点位置也作为待定参数，用同样多的节点获得更高的精度。理解这个一般形式很重要：自适应算法并不绑定某一种公式，它把任意一个求积公式当作“基本单元”，通过在不同子区间上反复调用它来逼近整体积分。后续常见的“一对公式”（如辛普森公式与其二分复合版本）正是误差估计的载体。

三、代数精度：衡量公式“有多准”的标尺

代数精度是刻画求积公式精确程度的核心概念：若一个求积公式对所有次数不超过 m 的多项式都能给出精确积分值，而对某个 m+1 次多项式不能精确成立，则称其代数精度为 m。它之所以重要，是因为多项式是最容易精确积分的一类函数，而光滑函数又可用泰勒展开局部近似为多项式，所以代数精度直接决定了公式在小区间上的截断误差阶。

以梯形公式为例：对 f(x)=1 与 f(x)=x 均精确成立，但对 f(x)=x² 在 [0,1] 上，精确值为 1/3，梯形结果为 (1/2)(0+1)=1/2，不相等，故梯形公式代数精度为 1。辛普森公式对三次多项式均精确，代数精度为 3。一般地，n+1 个等距节点的牛顿–科茨公式，代数精度至少为 n（n 为偶数时可达到 n+1）。

代数精度与误差阶紧密相连：若公式代数精度为 m，则其局部截断误差通常正比于 hm+1（h 为子区间长度）。这意味着当步长减半时，误差大约缩小为原来的 1/2m+1。这一“误差随步长幂次下降”的规律，正是自适应策略能够通过比较粗细两种步长的结果来估计误差、并据此决定是否继续细分的理论依据。

四、从基础理论到自适应策略的衔接

把上述三点串起来，自适应步长的逻辑就清晰了。假设在某个子区间 [α,β] 上用辛普森公式得到 Q_S，再把区间二分、在两个半区间上分别用辛普森公式得到 Q_S'。由于辛普森公式代数精度为 3，其误差正比于 h⁵，可以推导出 Q_S' 与 Q_S 之差约为 Q_S' 误差的 15 倍，于是用 |Q_S' − Q_S|/15 作为误差估计。若该估计小于给定容差，就接受 Q_S'；否则继续细分。这正是“用代数精度推出误差阶、用误差阶构造误差估计、用误差估计驱动步长选择”的完整链条。

需要强调的是，代数精度描述的是公式在单个区间上的局部性质，而实际积分往往跨越较大范围。自适应方法的价值就在于：它不要求整个区间上步长一致，而是根据函数在各处的光滑程度局部地选择步长——在函数变化剧烈处细分，在平缓处用大步长。而判断“哪里需要细分”的依据，归根结底仍来自求积公式的代数精度所决定的误差阶。掌握了这一层关系，后续学习误差估计器、步长控制律与容差设置时，就不会把它们当作孤立的技巧，而能看清它们共同的理论根基。