第2章 数值计算：积分、优化与插值

第2章 数值计算：积分、优化与插值

章节摘要：数值计算是科学计算的发动机，本章围绕三个核心问题展开：曲线下的面积怎么算得准（数值积分）、参数怎么调到最优（优化与求根）、离散点之间怎么补出连续曲线（插值与样条）。三者分别对应 scipy.integrate、scipy.optimize、scipy.interpolate 三个模块。读完本章，你将掌握自适应求积与误差估计、常微分方程初值问题的求解与事件检测、优化求解器的选型规则、最小二乘拟合的参数不确定度评估、一维与散点插值的取舍，最后用一节完整实战把去噪、拟合、评估串成一条可复用的流水线。

本节导航

阅读完本章，你应当能够：

1. 用 quad 计算定积分并读懂误差估计，遇到奇异点、振荡函数知道如何处理；
2. 用 solve_ivp 求解常微分方程初值问题，用事件检测精确捕获轨迹的特定时刻；
3. 按"有无导数、有无边界、有无约束"三个维度为 minimize 选出合适的求解器；
4. 用 curve_fit 或 least_squares 完成非线性拟合，并解释协方差矩阵与参数不确定度的关系；
5. 比较 interp1d 各插值方式与 UnivariateSpline 平滑样条的适用场景，识别外推风险；
6. 独立完成"去噪 → 建模 → 拟合 → 不确定度评估 → 结论"的完整数据到模型流程。

核心概念速览

一句话记住第 2 章：积分算面积，优化找极值，插值补曲线；三件工具合起来，就能把一堆散点变成有结论的模型。

子章节导航

2.1 数值积分与微分方程求解

从"为什么要自适应"讲起：固定步长的求积公式在函数变化剧烈的地方会浪费点数或漏掉细节。quad 用 Gauss-Kronrod 嵌套公式自动加密采样并给出误差估计，dblquad 与 tplquad 把同一套思想推广到二重、三重积分。后半节转入常微分方程：solve_ivp 以 RK45 等显式 Runge-Kutta 方法按误差自动变步长，事件检测让我们能精确捕捉轨迹穿越某个阈值的时刻。这节是"连续世界"的入场券。

2.2 优化与根查找

先给出一张决策地图：无约束、能算梯度用 BFGS；只有边界约束用 L-BFGS-B；等式或不等式约束用 SLSQP；拿不到导数信息就用 Nelder-Mead。然后看最小二乘的两副面孔——curve_fit 面向显式模型并附带协方差矩阵，least_squares 更灵活、支持边界与稳健损失。最后用 fsolve 解非线性方程组，并讨论初值敏感与收敛判定的问题。贯穿全节的主张：方法选对、初值给好、收敛标志读懂，比任何调参技巧都重要。

2.3 插值与样条

插值是"已知点之间怎么猜"。interp1d 提供从阶梯、线性到三次样条的一串选择，无噪声数据要求曲线精确穿过每个点；数据带噪声时反而要放弃"穿过"要求，改用 UnivariateSpline，用平滑参数 s 控制弯曲程度。散点数据没有规则网格，交给 griddata 用三角剖分处理。外推风险贯穿全节：样条伸到数据范围之外，往往就是放飞自我，结果没有物理意义。

2.4 实战：从数据到模型的完整流程

把前三节合成一条流水线：酶促反应实验得到一组带噪声的浓度与速率数据，先做移动平均去噪，再用 curve_fit 拟合米氏方程，用协方差矩阵与残差自助法评估参数不确定性，最后输出带置信带的结论。这一步是从"会用函数"跨到"能交付结果"的关键一跃，也是后续各章实战小节的样板。

子章节之间的逻辑关系

本章有一条清晰的主线：先把"连续"这件事做扎实，再做"求最优"，最后做"补曲线"。三个模块不是并列的三个抽屉，而是同一类数值问题在不同侧面的投影——自适应求积与变步长求解微分方程共享"误差驱动加密"的思想，优化与求根本来就是一家，插值则为拟合和积分提供连续化基础。实战节按真实工作流把它们串起来：数据先插值补缺、再拟合寻优、最后对模型积分求总量，恰是第 1 章 1.4 小程序的放大版。

2.1 积分与微分方程（算面积、推演化）
        ↓ 提供连续模型与误差意识
2.2 优化与求根（拟合参数、找极值）
        ↓ 提供参数与不确定度
2.3 插值与样条（补缺失、构造光滑曲线）
        ↓ 提供干净完整的输入
2.4 实战：去噪 → 拟合 → 不确定度评估 → 结论
​

前置知识与后续延伸

• 前置：掌握第 1 章的 NumPy 数组操作与按需导入 scipy 子模块的习惯；微积分里的定积分、导数、极值概念；能读懂函数签名和文档字符串。不需要任何数值分析背景——每节都从能跑的最小例子开始，原理只讲够用的一层。如果你之前用 Excel 或 MATLAB 做过插值与拟合，本章会帮你把同样的操作搬进可复现的代码里，顺手把"结果靠不靠谱"这个老问题也解决了。
• 为后续铺垫：第 3 章线性代数中的最小二乘正规方程会与本章的 curve_fit 形成对照；第 5 章统计模块的分布与置信区间概念将深化你对协方差矩阵的理解；第 6 章气象分析管线里的插值补缺、趋势拟合与性能优化，直接复用本章的全部技能。