点值转系数——拉格朗日插值从零入门详解及优化

最新推荐文章于 2022-08-11 21:36:07 发布

RicheyJang

最新推荐文章于 2022-08-11 21:36:07 发布

阅读量545

点赞数 1

分类专栏： ACM算法文章标签：算法 acm竞赛

本文链接：https://blog.csdn.net/qq_26037391/article/details/107385191

版权

本文介绍了拉格朗日插值法，从线性插值和抛物线插值出发，逐步阐述一般化插值法，并探讨了如何通过重心拉格朗日法进行优化，以及针对连续点值的优化策略，旨在提高计算效率。

摘要由CSDN通过智能技术生成

文章目录

拉格朗日插值法

拉格朗日插值法

导入

考虑这样一类问题，目前有一未知的函数y=f(x)，但给出了其上的n+1个点对： $x_0,y_0), (x_1,y_1),...(x_n,y_n)$ 的具体值，求解：再给出个x，求它对应函数值y为多少？

换一种说法，给出了n+1个点，要求出与这n+1个点拟合度最好的一条曲线的函数方程。那么，此时我们可以考虑计算出一种使得这n+1个点全部在其上的曲线表达式，那么这一表达式必然为拟合度最好的，也就可以用它来近似求解上一问题了，它被称为拉格朗日插值式。

再换一种更简单的说法，给点值表达式，求系数表达式。

（想使用高斯消元？高斯消元的时间复杂度在 $O(n^3)$ ，但拉格朗日插值可以将该问题简化到 $O(n^2)$ 甚至O(n)

1、线性插值

首先，我们假设f(x)为一个线性函数，则已知其两点，即可拟合出它的图形y=kx+b。
即可认为： $f(x)=P_1(x)=L_0(x)\times y_0+L_1(x)\times y_1$ 。其中 $L_0(x)=\left\{\begin{aligned} 1\quad x=x_0 \\0 \quad x=x_1\end{aligned}\right.$ $L_1(x)=\left\{\begin{aligned} 0 \quad x=x_0 \\1 \quad x=x_1\end{aligned}\right.$

我们将 $P_1(x)$ 称为线性插值式，此时 $f(x)=P_1(x)$ ，但若f(x)并非线性函数，二者就不一定相等了。

观察一元一次方程： $y-y_0=(\frac{y_1-y_0}{x_1-x_0})\cdot (x-x_0)$ ，易得 $y=\frac{x-x_1}{x_0-x_1}y_0+\frac{x-x_0}{x_1-x_0}y_1 \Rightarrow \left\{\begin{aligned} L_0(x)=\frac{x-x_1}{x_0-x_1} \\L_1(x)=\frac{x-x_0}{x_1-x_0} \end{aligned}\right.$