quad_vec#
- scipy.integrate.quad_vec(f, a, b, epsabs=1e-200, epsrel=1e-08, norm='2', cache_size=100000000.0, limit=10000, workers=1, points=None, quadrature=None, full_output=False, *, args=())[source]#
向量值函数的自适应积分。
- 参数:
- f可调用对象
要积分的向量值函数 f(x)。
- a浮点数
起始点。
- b浮点数
终点。
- epsabs浮点数, 可选
绝对容差。
- epsrel浮点数, 可选
相对容差。
- norm{'max', '2'}, 可选
用于误差估计的向量范数。
- cache_size整数, 可选
用于记忆化的字节数。
- limit浮点数或整数, 可选
自适应算法中使用的子区间数的上限。
- workers整数或类映射可调用对象, 可选
如果 workers 是一个整数,则部分计算将并行完成,细分为这么多任务(使用
multiprocessing.pool.Pool
)。提供 -1 以使用进程可用的所有核心。或者,提供一个类映射可调用对象,例如multiprocessing.pool.Pool.map
,用于并行评估总体。此评估以workers(func, iterable)
的形式执行。- points列表, 可选
附加断点列表。
- quadrature{'gk21', 'gk15', 'trapezoid'}, 可选
在子区间上使用的求积规则。选项:'gk21'(高斯-克朗罗德 21 点规则),'gk15'(高斯-克朗罗德 15 点规则),'trapezoid'(复合梯形规则)。默认:有限区间使用 'gk21',(半)无限区间使用 'gk15'。
- full_output布尔值, 可选
返回一个附加的
info
对象。- args元组, 可选
要传递给函数的额外参数(如果有)。
版本 1.8.0 中新增。
- 返回:
- res{浮点数, 数组类}
结果的估计值
- err浮点数
给定范数下结果的误差估计
- info对象
仅当
full_output=True
时返回。具有以下属性的结果对象- success布尔值
积分是否达到目标精度。
- status整数
收敛指标:成功 (0)、失败 (1) 和因舍入误差导致失败 (2)。
- neval整数
函数评估次数。
- intervalsndarray, 形状 (num_intervals, 2)
细分区间的起始点和结束点。
- integralsndarray, 形状 (num_intervals, ...)
每个区间的积分。请注意,最多记录
cache_size
个值,并且数组可能包含缺失项的 nan。- errorsndarray, 形状 (num_intervals,)
每个区间的估计积分误差。
注释
该算法主要遵循 QUADPACK 的 DQAG* 算法的实现,实现全局误差控制和自适应细分。
这里的算法与 QUADPACK 方法有一些不同之处
该算法不是一次细分一个区间,而是同时细分 N 个误差最大的区间。这使得积分能够(部分)并行化。
因此,没有实现首先细分“下一个最大”区间的逻辑,我们依赖于上述扩展来避免只集中于“小”区间。
不使用 Wynn epsilon 表外推(QUADPACK 将其用于无限区间)。这是因为这里的算法应该在用户指定范数下处理向量值函数,并且 epsilon 算法对此情况的扩展似乎没有被广泛认同。对于最大范数,可以使用逐元素 Wynn epsilon,但我们在这里不这样做,希望 epsilon 外推主要在特殊情况下有用。
参考文献
[1] R. Piessens, E. de Doncker, QUADPACK (1983)。
示例
我们可以计算向量值函数的积分
>>> from scipy.integrate import quad_vec >>> import numpy as np >>> import matplotlib.pyplot as plt >>> alpha = np.linspace(0.0, 2.0, num=30) >>> f = lambda x: x**alpha >>> x0, x1 = 0, 2 >>> y, err = quad_vec(f, x0, x1) >>> plt.plot(alpha, y) >>> plt.xlabel(r"$\alpha$") >>> plt.ylabel(r"$\int_{0}^{2} x^\alpha dx$") >>> plt.show()
当使用参数 workers 时,应确保主模块是导入安全的,例如通过将上述示例重写为
from scipy.integrate import quad_vec import numpy as np import matplotlib.pyplot as plt alpha = np.linspace(0.0, 2.0, num=30) x0, x1 = 0, 2 def f(x): return x**alpha if __name__ == "__main__": y, err = quad_vec(f, x0, x1, workers=2)