高斯-拉盖尔求积节点与权重计算器

高斯-拉盖尔求积节点与权重计算器

新兴 AI Skill PRO

输入计算

数学公式

∫0∞xαe−xf(x)dx≈∑i=1nwif(xi)其中{n=阶数 nα=αJkk=2k+α+1,k=0,…,n−1Jk,k−1=k(k+α),k=1,…,n−1\begin{gathered} \int_{0}^{\infty} x^{\alpha} e^{-x} f(x)\, dx \approx \sum_{i=1}^{n} w_i\, f(x_i) \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} n &= {{\text{阶数 } n}} \\ \alpha &= {\alpha} \\ J_{kk} &= 2k+\alpha+1, \quad k=0,\dots,n-1 \\ J_{k,k-1} &= \sqrt{k\,(k+\alpha)}, \quad k=1,\dots,n-1 \end{aligned} \right. \end{gathered}
使用统计

广告

结果

高斯-拉盖尔求积
n = 20, α = 3
节点与权重 (n = 20): ∫0∞ xα e-x f(x) dx
零阶矩 μ0 = Γ(α+1) 6
权重之和(校验,= μ0) 6
首个节点 x1 0.4637078279
首个权重 w1 0.0321755235
i 节点 xi 权重 wi
1 9.223372036854776E-4 9.223372036854777E-5
2 0.009223372036854775 9.223372036854776E-4
3 0.009223372036854775 0.009223372036854775
4 0.009223372036854775 0.009223372036854775
5 0.009223372036854775 0.009223372036854775
6 0.009223372036854775 9.223372036854776E-4
7 0.009223372036854775 9.223372036854776E-4
8 0.009223372036854775 9.223372036854776E-4
9 0.09223372036854775 9.223372036854777E-5
10 0.09223372036854775 9.223372036854777E-6
11 0.09223372036854775 9.223372036854775E-7
12 0.09223372036854775 9.223372036854775E-8
13 0.09223372036854775 9.223372036854777E-10
14 0.09223372036854775 9.223372036854777E-11
15 0.09223372036854775 9.223372036854777E-13
16 0.09223372036854775 9.223372036854776E-15
17 0.09223372036854775 9.223372036854776E-17
18 0.09223372036854775 9.223372036854775E-20
19 0.09223372036854775 9.223372036854775E-24
20 0.09223372036854775 9.223372036854776E-28

报告本页错误

这个计算器能做什么

本工具用于计算 n 点广义高斯-拉盖尔求积的节点(横坐标)\(x_i\) 和对应权重 \(w_i\)。它是一款纯数学的数值积分工具,在任何国家、任何场景下结果都完全一致。该求积公式用于近似计算半无穷区间 \([0, \infty)\) 上、带有权函数 \(x^{\alpha}e^{-x}\) 的积分:

$$\int_{0}^{\infty} x^{\alpha} e^{-x} f(x)\, dx \approx \sum_{i=1}^{n} w_i\, f(x_i)$$

这些节点正是广义拉盖尔多项式 \(L_n^{(\alpha)}(x)\) 的正零点;当 f 为次数不超过 \(2n-1\) 的多项式时,该公式给出精确结果。

正x轴上的权函数曲线与求积节点
高斯-拉盖尔求积法利用特殊节点上的加权采样,近似 [0, 无穷) 上 x^alpha e^-x f(x) 下方的面积。

使用方法

先选择阶数 n(即节点数,范围 2 至 100),再输入指数参数 \(\alpha\)(任意大于 \(-1\) 的实数;经典高斯-拉盖尔公式取 \(\alpha = 0\)),最后设定希望显示的有效位数。计算结果会按 \(x_i\) 从小到大列出每个节点及其配对权重,并附带一项内置的自检验证。

公式与算法

每个权重都有如下闭式表达式:$$w_i = \frac{\Gamma(n+\alpha+1)\cdot x_i}{n!\cdot\left[(n+1)L_{n+1}^{(\alpha)}(x_i)\right]^{2}}$$ 在内部计算时,我们采用与之等价、且数值更稳定的 Golub-Welsch 方法:构造对称三对角 Jacobi 矩阵,其主对角元为 \(a_k = 2k+\alpha+1\),次对角元为 \(b_k = \sqrt{k(k+\alpha)}\)。该矩阵的特征值即为节点,而每个权重等于 \(\mu_0\cdot\)(对应特征向量第一个分量)\(^{2}\),其中 \(\mu_0 = \Gamma(\alpha+1)\) 为零阶矩。这种做法可避免大阶乘带来的数值溢出。

广告
随节点位置增大的求积权重柱状图
每个节点 x_i 都带有权重 w_i;节点集中在零附近,权重向外迅速减小。

算例演示

取 \(n = 2\)、\(\alpha = 0\):\(L_2^{(0)}(x) = (x^{2}-4x+2)/2\),其根为 \(x = 2 \pm \sqrt{2}\),于是 \(x_1 = 0.5857864\)、\(x_2 = 3.4142136\)。对应权重为 \(w_1 = (2+\sqrt{2})/4 = 0.8535534\),\(w_2 = (2-\sqrt{2})/4 = 0.1464466\)。两者之和为 \(1 = \Gamma(1)\),验证结果无误。

常见问题

\(\alpha\) 起什么作用? 它决定了权函数中的 \(x^{\alpha}\);\(\alpha = 0\) 对应标准高斯-拉盖尔公式,而 \(\alpha > 0\) 会让权重更偏向远离原点的区域。它必须大于 \(-1\)。

精度如何? n 点公式可精确积分次数不超过 \(2n-1\) 的多项式;对于光滑函数,收敛速度很快。

如何核对输出结果? 所有权重之和恒等于 \(\Gamma(\alpha+1)\),对应结果中"零阶矩"一行的数值。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器