标签：pre else turn 现在 inline loading 表达式 就是 psi
一个并不知道现在学了有什么用的算法，因为我不会计算几何，甚至是对计算几何一窍不通。
自适应辛普森算法（ASR）可以用来求 \(\int_a^bf(x)\,\mathrm dx\)，即求一个函数 \(f(x)\) 的定积分，其中 \(f(x)\) 是一个不太好直接积的函数。其大致思路大概就是不断用一个二次函数对原函数进行拟合，然后用二次函数的积分方式对原函数求近似积分，并通过左右子区间的辛普森值来判断误差，如果误差在精度范围内就直接返回拟合得到的二次函数的积分值。
自适应辛普森算法的适用前提是 \(f(x)\) 为平滑的函数，如果出现下图的情况那就凉凉了（不过一般出题人也不会恶意卡？）
我们考虑对 \(f(x)\) 进行拟合，假设 \(f(x)\approx Ax^2+Bx+C\)
那么：
也就是说 \(\int_a^bf(x)\,\mathrm dx\) 可以用 \(\dfrac{b-a}{6}(f(a)+f(b)+4f(\dfrac{a+b}{2}))\) 来近似地求出。
自适应辛普森算法大概也就是这个思路，不过直接套公式显然精度误差太大，我们考虑这样的算法：我们要求 \([l,r]\) 内的积分值，我们先用辛普森公式算出 \([l,r]\) 的近似值 \(A\)，再设 \(\dfrac{l+r}{2}=mid\)，计算出 \([l,mid],[mid,r]\) 的近似值 \(L,R\)，如果 \(|L+R-A|\) 在误差范围内就返回 \(L+R+(L+R-A)\)，否则继续递归，这也就能得到近似值了。
复杂度 \(\mathcal O(\text{玄学})\)，正确性玄学（大雾）
因为我不会计算几何所以也没啥应用可刷，就刷刷模板题罢：
模板题，直接套用上面的算法即可。
const double EPS=1e-9;
double a,b,c,d,l,r;
double func(double x){return 1.0*(c*x+d)/(a*x+b);}
double simpson(double l,double r){
double mid=(l+r)/2;
return (func(l)+4*func(mid)+func(r))*(r-l)/6;
}
double inter(double l,double r,double A){
double mid=(l+r)/2;
double L=simpson(l,mid),R=simpson(mid,r);
if(fabs(L+R-A)<=EPS) return L+R+(L+R-A);
else return inter(l,mid,L)+inter(mid,r,R);
}
int main(){
scanf("%lf%lf%lf%lf%lf%lf",&a,&b,&c,&d,&l,&r);
printf("%.6lf\n",inter(l,r,simpson(l,r)));
return 0;
}
似乎也有纯数学的推导，赶紧补一下，正好强化下我微积分的能力（
我们要求
记 \(u=ax+b\)，换元可得
分母上以经出现了换元变量 \(u\)，考虑将分子也写成 \(u\) 的表达式：
\(cx+d=c·\dfrac{u-b}{a}+d=\dfrac{cu}{a}-(\dfrac{bc}{a}-d)\)
于是
根据 \(\int_{a}^b\dfrac{1}{x}\,\mathrm dx=\ln|b|-\ln|a|\)
可得
其中
当然要注意特判 \(a=0\) 的情况
出 现 了 正 无 穷 ？ ！ ！ 反 常 积 分 ？ ！ ！
不过注意到一件事情，那就是对于 \(a<0\) 的情况，当 \(x\) 无限逼近 \(0\) 时函数值增长是很快的，于是我们猜测 \(a<0\) 是积分发散，有位大佬也给出了详细证明，然鹅我没看懂/ll。
当 \(a\ge 0\) 时候不难发现当 \(x\) 很大时 \(y\) 是非常非常接近 \(0\) 的，就按 \(a=50\) 来算，当 \(x=20\) 时 \(y=20^{-17.5}\approx 1.7\times 10^{-23}\)，这远远小于精度误差，因此我们可以把积分的上界直接当作 \(20\)，由于下界不能为 \(0\)，因此我们积分下界可以设为 \(\epsilon\)，按照上一题的套路来就行了。
标签：pre else turn 现在 inline loading 表达式 就是 psi
原文地址：https://www.cnblogs.com/ET2006/p/asr.html
