第三章多项式与插值

最新推荐文章于 2024-06-11 16:59:08 发布

nicole_coco

最新推荐文章于 2024-06-11 16:59:08 发布

阅读量34

点赞数

分类专栏：计算方法文章标签：学习

本文链接：https://blog.csdn.net/nicole_coco/article/details/134858005

版权

计算方法专栏收录该内容

5 篇文章 0 订阅

订阅专栏

第三章多项式与插值

3.1 Lagrange插值

插值基函数
$KaTeX parse error: Expected 'EOF', got '&' at position 9: L_n(x)=&̲\sum\limits_{i=…$

3.2 Newton插值

插值多项式
$N_n(x)=a_0+a_1(x-x_0)+a_2(x-x_0)(x-x_1)+···+a_n(x-x_0)···(x-x_{n-1})$

$当x=x_0,N_n(x_0)=a_0=f(x_0)\\ 当x=x_1,N_n(x_1)=a_0+a_1(x_1-x_0)=f(x_1)\\ 则a_1=\frac{f(x_1)-f(x_0)}{x_1-x_0}\\ 当x=x_2,N_n(x_2)=a_0+a_1(x_1-x_0)+a_2(x_2-x_1)(x_2-x_0)=f(x_2)\\ 则a_2=···$

引入一些概念，方便 $a_i$ 的表示与研究

(1）均差

记 $f[x_m]=f(x_m)$ 为f的零阶均差

$f[x_0,x_m]=\frac{f[x_m]-f[x_0]}{x_m-x_0}$ 为函数关于点 $x_0,x_m$ 的一阶均差

记 $k$ 阶均差为：
$f[x_0,···,x_{k-1},x_m]=\frac{f[x_0,···,x_{k-2},x_m]-f[x_0,x_1,···,x_{k-1}]}{x_m-x_{k-1}}$
由上面的论述有：
$f(x)=f(x_0)+f[x,x_0](x-x_0)\\ f[x,x_0]=f[x_0,x_1]+f[x,x_0,x_1](x-x_1)\\ f[x,x_0,x_1]=f[x_0,x_1,x_2]+f[x,x_0,x_1,x_2](x-x_2)\\ ……$
只要把后一式代入前一式，就得到：
$\begin{align} f(x)=&f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)+···+\\ +&f[x_0,x_1,···,x_n](x-x_0)(x-x_1)···(x-x_{n-1})\\ +&f[x,x_0,x_1,···,x_n]w_{n+1}(x)=N_n(x)+R_n(x) \end{align}$

(2) 差分

设 $f_k=f(x_k),x_k=x_0+kh$ ， $k = 0, 1,\cdot\cdot\cdot, n$ 记
$\triangle{f_k}=f_{k+1}-f_{k}\\ \triangledown{f_k}=f_k-f_{k-1}\\$
分别称为 $f (x)$ 在 $x_k$ 处以 $h$ 为步长的一阶向前差分和一阶向后差分。

一般地，可定义 $m$ 阶向前差分及 $m$ 阶向后差分为：

$\triangle^{m}{f_k}=\triangle^{m-1}{f_{k+1}}-\triangle^{m-1}{f_k}$

$\triangledown^{m}{f_k}=\triangledown^{m-1}{f_{k}}-\triangledown^{m-1}{f_{k-1}}$

均差与差分之间的关系：
$f[x_k,x_{k+1}]=\frac{f_{k+1}-f_k}{x_{k+1}-x_k}=\frac{\triangle{f_k}}{h}\\ f[x_k,x_{k+1},x_{k+2}]=\frac{f[x_{k+1},x_{k+2}]-f[x_k,x_{k+1}]}{x_{k+2}-x_k}=\frac{1}{2h^2}\triangle^{2}{f_k}$

3.3 Hermite插值

给出节点 $a\leq x_0 < x_1 <···<x_n \leq b$ ，已知 $f(x_i)=f_i$ , $f^{\prime}(x_i)=m_i$ $(i = 0, 1,\cdot\cdot\cdot\cdot, n)$ .

可取基函数表示为:
$H_{2n+1}(x)=\sum\limits_{i=0}^n\left[a_i(x)f_i+b_i(x)m_i\right]$
其中 $a_i(x)$ 及 $b_i(x)$ 满足如下条件：
$$
\begin{align}
a_i(x_k)=\delta_{ik}
=\begin{cases}
0,i\neq k \quad\
1,i=k\
\end{cases},
a_i^{\prime}(x_k)=0\
b_i(x_k)=0,b_i^{\prime}=\delta_{ik},\quad i,k=0,1,···,n

\end{align}
$$

当n=1时，有：
$\begin{cases} a_0(x)=(1+2\frac{x-x_0}{x_1-x_0})(\frac{x-x_1}{x_0-x_1})^2\\ a_1(x)=(1+2\frac{x-x_1}{x_0-x_1})(\frac{x-x_0}{x_1-x_0})^2\\ b_0(x)=(x-x_0)(\frac{x-x_1}{x_0-x_1})^2\\ b_1(x)=(x-x_1)(\frac{x-x_0}{x_1-x_0})^2\\ \end{cases}$

3.4 分段低次插值

龙格现象：插值多项式不收敛的现象称为龙格现象

由于高次插值收敛性没有保证，实际的计算稳定性也没有保证。因此当插值节点n较大时通常不采用高次多项式插值，而改用低次分段插值。

3.5 三次样条插值

定义：

设 $[a, b]$ 上给一组节点 $a\leq x_0<x_1<···<x_n \leq b$ ，若函数 $s (x)$ 满足条件

（1） $s(x)\in C^2[a,b]$ ；

（2） $s (x)$ 在每个小区间 $x_i,x_{i+1}]$ 是三次多项式

则称s(x)是节点 $x_0,x_1,···,x_n$ 上的三次样条函数

若s(x)在节点上还满足插值条件

（3） $s(x_i)=f_i$ ， $i = 0, 1,\cdot\cdot\cdot, n$

弯矩方程

设 $s (x)$ 在节点 $a\leq x_0<x_1<···<x_n \leq b$ 上的二阶导数值 $s^{\prime\prime}(x_i)=M_i(i=0,1,···,n)$ ， $h_i=x_{i+1}-x_i$ 上是三次多项式，故 $s^{\prime\prime}(x)$ 在 $x_i,x_{i+1}]$ 上是一次函数，可表示为
$s^{\prime\prime}(x)=\frac{x_{i+1}-x}{h_i}M_i+\frac{x-x_i}{h_i}M_{i+1}$

对此积分两次，并利用 $s(x_i)=f_i,s(x_{i+1})=f_{i+1}$ 可得到
$s(x)=\frac{(x_{i+1}-x)^3}{6h_i}M_i+\frac{(x-x_i)^3}{6h_i}M_{i+1}+\\ \frac{x_{i+1}-x}{h_i}(f_i-\frac{h_i^2}{6}M_i)+\frac{x-x_i}{h_i}(f_{i+1}-\frac{h_i^2}{6}M_{i+1})$
这里 $M_i(i=0,1,···,n)$ 是未知量，由于
$当x\in [x_i,x_{i+1}]时，s^{\prime}(x)=-\frac{(x_{i+1}-x)^2}{2h_i}M_i+\frac{(x-x_i)^2}{2h_i}M_{i+1}+\frac{f_{i+1}-f_i}{h_i}-\frac{h_i}{6}(M_{i+1}-M_i)$ {_i}

$当x\in [x_{i-1},x_{i}]时，s^{\prime}(x)=-\frac{(x_{i}-x)^2}{2h_{i-1}}M_{i-1}+\frac{(x-x_{i-1})^2}{2h_{i-1}}M_{i}+\frac{f_{i}-f_{i-1}}{h_{i-1}}-\frac{h_{i-1}}{6}(M_{i}-M_{i-1})$

由 $s^{\prime}(x_i+0)=s^{\prime}(x_i-0)$ 所以可得到

$u_iM_{i-1}+2M_i+\lambda_i M_{i-1}=d_i$

其中
$\begin{cases} u_i=\frac{h_{i-1}}{h_{i-1}+h_i},\lambda_{i}=1-u_i\\ d_i=f[x_{i-1},x_i,x_{i+1}],i=1,2,···,n-1 \end{cases}$
再补充两个方程：
$\begin{cases} 2M_0+M_1=\frac{6}{h_0}(f[x_0,x_1]-f^{\prime}_0)=d_0\\ M_{n-1}+2M_n=\frac{6}{h_{n-1}}(f^{\prime}_n-f[x_{n-1},x_n])=d_n \end{cases}$