การประมาณค่าเชิงปริพันธ์แบบปรับตัว (Adaptive Quadrature)

การประมาณค่าเชิงปริพันธ์แบบปรับตัวจะแบ่งช่วงของการหาปริพันธ์โดยอัตโนมัติในส่วนที่ฟังก์ชันที่ถูกหาปริพันธ์มีความซับซ้อน โดยใช้การประมาณค่าความคลาดเคลื่อนเฉพาะที่เพื่อให้ได้ความแม่นยำตามที่ต้องการด้วยการประเมินค่าฟังก์ชันน้อยที่สุดเท่าที่จะเป็นไปได้

Definition

การประมาณค่าเชิงปริพันธ์แบบปรับตัว (Adaptive quadrature) คือกลยุทธ์การหาปริพันธ์เชิงตัวเลขใดๆ ที่ใช้การประมาณค่าความคลาดเคลื่อนของการประมาณค่าเฉพาะที่เพื่อตัดสินใจว่าจะแบ่งโดเมนการหาปริพันธ์ที่ใดและละเอียดเพียงใด เพื่อให้ได้ค่าความคลาดเคลื่อนโดยรวมที่กำหนดไว้ได้อย่างมีประสิทธิภาพ

Scope

หัวข้อนี้ครอบคลุมการประมาณค่าความคลาดเคลื่อนเฉพาะที่โดยการเปรียบเทียบกฎเกณฑ์ที่มีอันดับหรือระดับการปรับละเอียดต่างกัน, การแบ่งครึ่งช่วงซ้ำๆ (การประมาณค่าซิมป์สันแบบปรับตัวและการประมาณค่าเกาส์-ครอนรอดแบบปรับตัว), งบประมาณความคลาดเคลื่อนโดยรวมและเกณฑ์การหยุด, การจัดการกับภาวะเอกฐานและลักษณะเฉพาะที่ชัดเจน, และการออกแบบตัวหาปริพันธ์อัตโนมัติสำหรับการใช้งานจริง เช่น ที่อยู่ในไลบรารี QUADPACK

Core questions

• จะคำนวณความคลาดเคลื่อนเฉพาะที่ของการประมาณค่าเชิงปริพันธ์ได้อย่างไรโดยไม่ทราบค่าปริพันธ์ที่แท้จริง?
• การแบ่งช่วงซ้ำๆ จะรวมความพยายามในส่วนที่ฟังก์ชันที่ถูกหาปริพันธ์มีการเปลี่ยนแปลงมากที่สุดได้อย่างไร?
• เกณฑ์การหยุดแบบใดที่สามารถบรรลุความคลาดเคลื่อนที่ต้องการได้อย่างน่าเชื่อถือในขณะที่หลีกเลี่ยงการทำงานที่สูญเปล่า?
• จะตรวจจับและจัดการกับภาวะเอกฐานและภาวะไม่ต่อเนื่องที่สามารถหาปริพันธ์ได้ด้วยความทนทานได้อย่างไร?

Key theories

การประมาณค่าความคลาดเคลื่อนเฉพาะที่และการแบ่งช่วงย่อย

การเปรียบเทียบการประมาณค่าแบบหยาบกับการประมาณค่าที่ละเอียดกว่า (หรืออันดับสูงกว่า) ในช่วงย่อยหนึ่งจะให้ค่าประมาณของความคลาดเคลื่อนเฉพาะที่ หากค่านี้เกินส่วนแบ่งของความคลาดเคลื่อนที่ยอมรับได้ที่จัดสรรให้กับช่วงย่อยนั้น ช่วงย่อยจะถูกแบ่งและกระบวนการจะทำซ้ำ มิฉะนั้นจะยอมรับการมีส่วนร่วมของช่วงย่อยนั้น

กลยุทธ์การปรับตัวแบบทั่วโลก

แทนที่จะพิจารณาช่วงย่อยอย่างอิสระ ตัวหาปริพันธ์แบบปรับตัวทั่วโลกจะรักษาระบบคิวของช่วงย่อยที่จัดเรียงตามค่าความคลาดเคลื่อนโดยประมาณ และจะปรับปรุงช่วงที่แย่ที่สุดเสมอ ซึ่งจะจัดการกับภาวะเอกฐานเฉพาะที่ได้อย่างมีประสิทธิภาพและเป็นพื้นฐานของรูทีน QUADPACK

Mechanisms

ในแต่ละช่วงย่อย ตัวหาปริพันธ์จะประเมินคู่กฎเกณฑ์แบบฝังตัว — เช่น คู่เกาส์-ครอนรอด หรือการประมาณค่าซิมป์สันสองค่าที่ระดับการปรับละเอียดต่างกัน — ซึ่งความแตกต่างของค่าเหล่านี้จะประมาณค่าความคลาดเคลื่อนเฉพาะที่ วิธีการปรับตัวเฉพาะที่จะทำซ้ำโดยการแบ่งครึ่งช่วงย่อยใดๆ ที่มีค่าความคลาดเคลื่อนโดยประมาณสูงเกินไป วิธีการปรับตัวแบบทั่วโลกจะรักษาระบบคิวลำดับความสำคัญของช่วงย่อยที่จัดเรียงตามค่าความคลาดเคลื่อนโดยประมาณ และจะแบ่งช่วงย่อยที่แย่ที่สุดในปัจจุบันซ้ำๆ จนกว่าค่าความคลาดเคลื่อนโดยประมาณรวมจะตรงตามค่าความคลาดเคลื่อนที่ยอมรับได้ มีการเพิ่มการประมาณค่าแบบนอกช่วงและการจัดการน้ำหนักแบบพิเศษเพื่อรับมือกับภาวะเอกฐานที่จุดปลายและฟังก์ชันที่ถูกหาปริพันธ์แบบแกว่งกวัด

Clinical relevance

การประมาณค่าเชิงปริพันธ์แบบปรับตัวเป็นสิ่งที่รูทีนการหาปริพันธ์ทั่วไปในซอฟต์แวร์ทางวิทยาศาสตร์ใช้เพื่อให้ได้ผลลัพธ์ตามความแม่นยำที่ผู้ใช้กำหนดโดยที่ผู้ใช้ไม่จำเป็นต้องวิเคราะห์ฟังก์ชันที่ถูกหาปริพันธ์ ซึ่งเป็นสิ่งจำเป็นสำหรับฟังก์ชันที่ถูกหาปริพันธ์ที่มีจุดสูงสุด, พฤติกรรมชั้นขอบ, หรือภาวะเอกฐานที่สามารถหาปริพันธ์ได้ซึ่งกฎเกณฑ์แบบตายตัวไม่สามารถจัดการได้ และเป็นพื้นฐานของตัวหาปริพันธ์อัตโนมัติในแพ็คเกจเชิงตัวเลขและสถิติที่ใช้กันอย่างแพร่หลาย

History

การหาปริพันธ์อัตโนมัติที่ควบคุมความคลาดเคลื่อนได้พัฒนาเต็มที่ในช่วงทศวรรษ 1970 และต้นทศวรรษ 1980 โดยมีจุดสูงสุดคือแพ็คเกจ QUADPACK (1983) ซึ่งรูทีนเกาส์-ครอนรอดแบบปรับตัวพร้อมการประมาณค่าแบบนอกช่วงได้กลายเป็นมาตรฐานโดยพฤตินัย และต่อมาได้ถูกนำไปใช้, พอร์ต, หรือนำไปสร้างใหม่ในระบบซอฟต์แวร์เชิงตัวเลขและสถิติหลายระบบ

Key figures

• Robert Piessens
• Philip J. Davis
• Philip Rabinowitz

Seminal works

• davis1984
• piessens1983

Frequently asked questions

ตัวหาปริพันธ์แบบปรับตัวรู้ความคลาดเคลื่อนได้อย่างไรหากไม่รู้คำตอบ?

มันประมาณค่าความคลาดเคลื่อนเฉพาะที่โดยการเปรียบเทียบการประมาณค่าสองค่าที่มีความแม่นยำต่างกันในช่วงย่อยเดียวกัน — ตัวอย่างเช่น กฎเกณฑ์อันดับสูงกว่าและอันดับต่ำกว่า ความแตกต่างของค่าเหล่านี้จะประมาณค่าความคลาดเคลื่อนและเป็นแนวทางในการปรับปรุง แม้ว่าจะไม่ทราบค่าปริพันธ์ที่แท้จริงก็ตาม

การประมาณค่าเชิงปริพันธ์แบบปรับตัวประสบปัญหาเมื่อใด?

มันอาจถูกเข้าใจผิดได้จากฟังก์ชันที่ถูกหาปริพันธ์ที่เรียบเนียนที่จุดตัวอย่างแต่มีลักษณะเฉพาะที่ซ่อนอยู่ระหว่างจุดเหล่านั้น จากฟังก์ชันที่ถูกหาปริพันธ์แบบแกว่งกวัดอย่างรุนแรง หรือจากภาวะเอกฐานที่ไม่สามารถหาปริพันธ์ได้ ในกรณีเช่นนี้ จำเป็นต้องใช้กฎเกณฑ์พิเศษ, การแปลง, หรือวิธีการหาปริพันธ์แบบแกว่งกวัด