多项式插值

多项式插值的基本概念

给定 $n+1$ 个插值节点 $x_0, x_1, \ldots, x_n$ 及其对应的函数值 $y_0, y_1, \ldots, y_n$，多项式插值的目标是构造一个 $n$ 次多项式 $P(x)$，满足：

$P(x_i) = y_i \quad (i = 0, 1, \ldots, n).$

多项式插值的唯一性

定理：满足 $L_n(x_i) = y_i$ 的 $n$ 次多项式是唯一的。
证明：
假设存在两个不同的 $n$ 次多项式 $P(x)$ 和 $Q(x)$ 均满足插值条件，则多项式 $R(x) = P(x) - Q(x)$ 是一个次数不超过 $n$ 的多项式，且在 $n+1$ 个不同点处取零值。根据代数基本定理，只有零多项式才能有超过其次数的根，因此 $R(x) \equiv 0$，即 $P(x) = Q(x)$。

Vandermonde矩阵

通过待定系数法可建立线性方程组：

$\begin{cases} a_0 + a_1x_0 + \cdots + a_nx_0^n = y_0 \\ a_0 + a_1x_1 + \cdots + a_nx_1^n = y_1 \\ \vdots \\ a_0 + a_1x_n + \cdots + a_nx_n^n = y_n \end{cases}$

其系数矩阵为Vandermonde矩阵：

$A = \begin{bmatrix} 1 & x_0 & \cdots & x_0^n \\ 1 & x_1 & \cdots & x_1^n \\ \vdots & \vdots & \ddots & \vdots \\ 1 & x_n & \cdots & x_n^n \end{bmatrix}.$

其解向量为 $a = [a_0, a_1, \ldots, a_n]^T$，右端向量为 $y = [y_0, y_1, \ldots, y_n]^T$。因此，插值问题可转化为求解线性方程组 $Ax = y$。

Lagrange插值

核心思想：为每个节点 $x_k$ 构造一个基函数 $l_k(x)$，满足：

$l_k(x_i) = \begin{cases} 1, & i = k \\ 0, & i \neq k \end{cases}.$

所有基函数均为 $n$ 次多项式，最终插值多项式表示为它们的线性组合：

$L_n(x) = \sum_{k=0}^n y_k l_k(x).$

1. 基函数的构造

• 分子部分：构造一个多项式，在除 $x_k$ 外的所有节点处取零值。这可以通过乘积形式实现：\prod_{\substack{j=0 \\ j \neq k}}^n (x - x_j).
• 分母部分：确保 $l_k(x_k) = 1$。当 $x = x_k$ 时，分子为：\prod_{\substack{j=0 \\ j \neq k}}^n (x_k - x_j), 因此基函数定义为：l_k(x) = \frac{\prod_{\substack{j=0 \\ j \neq k}}^n (x - x_j)}{\prod_{\substack{j=0 \\ j \neq k}}^n (x_k - x_j)}.

2. 引入符号 $\omega_{n+1}(x)$

定义多项式：

$\omega_{n+1}(x) = \prod_{j=0}^n (x - x_j),$

其导数为：

\omega_{n+1}'(x) = \sum_{m=0}^n \prod_{\substack{j=0 \\ j \neq m}}^n (x - x_j).

在节点 $x_k$ 处求导数值：

\omega_{n+1}'(x_k) = \prod_{\substack{j=0 \\ j \neq k}}^n (x_k - x_j).

因此，基函数可简化为：

$l_k(x) = \frac{\omega_{n+1}(x)}{(x - x_k) \cdot \omega_{n+1}'(x_k)}.$

3. 插值多项式的最终形式

将基函数代入线性组合表达式，得到Lagrange插值多项式：

L_n(x) = \sum_{k=0}^n y_k \cdot \frac{\prod_{\substack{j=0 \\ j \neq k}}^n (x - x_j)}{\prod_{\substack{j=0 \\ j \neq k}}^n (x_k - x_j)}.

或等价地：

$L_n(x) = \sum_{k=0}^n y_k \cdot \frac{\omega_{n+1}(x)}{(x - x_k) \cdot \omega_{n+1}'(x_k)}.$

4. 举例验证（线性插值，n=1）

对于节点 $(x_0, y_0)$ 和 $(x_1, y_1)$，基函数为：

$l_0(x) = \frac{x - x_1}{x_0 - x_1}, \quad l_1(x) = \frac{x - x_0}{x_1 - x_0}.$

插值多项式为：

$L_1(x) = y_0 \cdot \frac{x - x_1}{x_0 - x_1} + y_1 \cdot \frac{x - x_0}{x_1 - x_0}.$

显然，$L_1(x_0) = y_0$ 且 $L_1(x_1) = y_1$，验证了公式的正确性。

5. 总结

• 构造原理：通过设计在特定节点取值为1、其余节点为0的基函数，将插值问题转化为基函数的线性组合。
• 唯一性：由多项式根的唯一性定理保证。
• 优势：避免求解线性方程组，直接通过乘积形式构造多项式。
• 局限性：节点增减时需重新计算所有基函数，计算复杂度较高。高次插值可能引发Runge现象（震荡误差）。

Newton插值

1. 基本思想与构造方法

动机：在逐步增加插值节点时，动态构造插值多项式。例如：

• 初始节点 $x_0$，构造零次多项式：

  $P_0(x) = f(x_0).$

• 增加节点 $x_1$，构造一次多项式（点斜式）：

  $P_1(x) = f(x_0) + \frac{f(x_1) - f(x_0)}{x_1 - x_0}(x - x_0).$

推广到高次多项式：对于 $n$ 个节点，递推公式为：

$P_n(x) = P_{n-1}(x) + c_n(x - x_0)(x - x_1)\cdots(x - x_{n-1}).$

最终形式为Newton插值多项式：

$N_n(x) = c_0 + c_1(x - x_0) + c_2(x - x_0)(x - x_1) + \cdots + c_n\prod_{i=0}^{n-1}(x - x_i).$

2. 差商的定义与计算

差商是Newton插值的核心系数，定义为：

• 0阶差商：$$f[x_i] = f(x_i).$$
• 1阶差商：$$f[x_0, x_i] = \frac{f(x_i) - f(x_0)}{x_i - x_0}.$$
• k阶差商（递归定义）：

  $f[x_0, x_1, \ldots, x_k] = \frac{f[x_0, \ldots, x_{k-2}, x_k] - f[x_0, \ldots, x_{k-1}]}{x_k - x_{k-1}}.$

性质：

• 对称性：差商与节点顺序无关，即

  $f[x_0, x_1, \ldots, x_k] = f[x_{k}, \ldots, x_1, x_0].$

• 显式公式：f[x_0, \ldots, x_k] = \sum_{j=0}^k \frac{f(x_j)}{\prod_{\substack{i=0 \\ i \neq j}}^k (x_j - x_i)}.

3. 差商表与计算示例

差商表用于系统化计算各阶差商：

$x_k$	$f(x_k)$	1阶差商	2阶差商	3阶差商
$x_0$	$f(x_0)$	$f[x_0, x_1]$	$f[x_0, x_1, x_2]$	$f[x_0, x_1, x_2, x_3]$
$x_1$	$f(x_1)$	$f[x_1, x_2]$	$f[x_1, x_2, x_3]$	—
$x_2$	$f(x_2)$	$f[x_2, x_3]$	—	—
$x_3$	$f(x_3)$	—	—	—

示例6.9：给定节点 $(-2, -27)$, $(0, -1)$, $(1, 0)$，构造二次Newton插值多项式：

1. 计算差商表：
   • 0阶差商：$f[-2] = -27$, $f[0] = -1$, $f[1] = 0$.
   • 1阶差商：

     $f[-2, 0] = \frac{-1 - (-27)}{0 - (-2)} = 13, \quad f[0, 1] = \frac{0 - (-1)}{1 - 0} = 1.$

   • 2阶差商：

     $f[-2, 0, 1] = \frac{1 - 13}{1 - (-2)} = -4.$

2. 代入多项式：

   $N_2(x) = -27 + 13(x + 2) - 4(x + 2)x = -4x^2 + 5x - 1.$

4. Newton插值余项

插值余项公式与Lagrange形式等价，但通过差商表达：

$R_n(x) = f(x) - N_n(x) = f[x, x_0, \ldots, x_n] \cdot \prod_{i=0}^n (x - x_i).$

结合Lagrange余项定理，可得：

$f[x, x_0, \ldots, x_n] = \frac{f^{(n+1)}(\xi)}{(n+1)!}, \quad \xi \in (a, b).$

应用：动态增加节点时，余项可近似为：

$R_k(x) \approx N_{k+1}(x) - N_k(x) = f[x_0, \ldots, x_{k+1}] \cdot \prod_{i=0}^k (x - x_i).$

5. 方法比较与总结

Newton插值优点：

• 动态增减节点时，仅需更新差商表，无需重新计算所有基函数。
• 差商表可复用，适合逐步优化插值精度。