数学建模之插值算法

插值算法

数学建模比赛中，常常需要根据已知的函数点进行数据、模型的处理和分析，而有的时候现有的数据是极少的，不足以分析支撑分析的进行，这时就需要使用一些数学的方法，“模拟产生”一些新的但又比较靠谱的值来满足需求，这就是插值算法的作用。

一维插值问题

一维插值问题就是平面上的点$(x_i,y_i)(i=0,1,2,...,n)$,多维插值问题为$(x_1,x_2,...x_n)$
一维插值问题如下：已经有$n+1$个节点$(x_i,y_i)(i=0,1,2,...,n)$，其中$x_i$互不相同，不妨假设$a=x_0<x_1<x_2<...<x_n=b$,求任意一插值点$x^{\ast }$(≠$x_i$)处的插值$y^{\ast }$。

思路：构造函数$y=f(x)$,使得
$f(x)$过所有节点，求$f(x^{\ast })$即可得到$y^{\ast }$
插值函数的一般定义：
$①若P(x)是次数不超过n的代数多项式，即$
$$p(x)=a_0+a_{1}x+...+a_n{x}^n$$
$②若P(x)为分段函数，就称为分段插值$
$③若P(x)为三角多项式，就称为三角插值。$
本次我们只讨论多项式插值和分段插值

插值法原理

定理：设有n+1个互不相同的节点$(x_i,y_i)$,则存在唯一的多项式：
$$L_n(x)=a_0+a_{1}x+a_2{x}^2+...+a_n{x}^n$$
使得$L_n(x_j)=y_j$
证明：
构造方程组
$$\{\begin{array}{rl}{a}_0+a_1{x}_0+a_2{x}_0^2+...+a_n{x}_0^n& =y_0\\ a_0+a_1{x}_1+a_2{x}_1^2+...+a_n{x}_1^n& =y_0\\ .................& =....\\ a_0+a_1{x}_n+a_2{x}_n^2+...+a_n{x}_n^n& =y_n\end{array}$$
令：$$A=\left[\begin{array}{cccc}1& x_0& \cdots & x_0^n\\ 1& x_1& \cdots & x_1^n\\ ⋮& ⋮& \ddots & ⋮\\ 1& x_n& \cdots & x_n^n\end{array}\right],X=\left[\begin{array}{c}{a}_0\\ a_1\\ ⋮\\ a_n\end{array}\right],Y=\left[\begin{array}{c}{y}_0\\ y_1\\ ⋮\\ y_n\end{array}\right]$$
$方程的矩阵形式：AX=Y，由于|A|={\prod }_{i=1}^n{\prod }_{j=0}^{n-1}(x_i-x_j)\ne 0,所以方程有唯一解。$
$从而L_n(x)=a_0+a_{1}x+a_2{x}^2+...+a_n{x}^n唯一存在$
注：
①只要n+1个节点互异，满足上述插值条件的多项式是唯一存在的
②如果不限制多项式的次数，插值多项式并不唯一

分段三次埃尔米特插值

Matlab有内置的函数pchip：

p=pchip(x,y,new_x)
% x是已知的样本点的横坐标
% y是已知的样本点的纵坐标，x与y坐标同为行或列向量
%new_x是要插入处对应的横坐标

下面我们开始举一个例子：

x=-pi:pi;y=sin(x);
new_x=-pi:0.1:pi;
p=pchip(x,y,new_x)
plot(x,y,'o',new_x,p,'r-')

plot函数用法：

plot(x1,y1,x2,x3)

线方式	含义
-	实线
：	点线
-.	虚线线
–	波折线

点方式	符号
.	圆点
+	加号
*	星号
x	x形
o	o小圆形

颜色	符号
y	黄
r	红
g	绿
b	蓝
w	白
k	黑
m	紫
c	青

三次样条插值

Matlab有内置的函数spline：

p=spline(x,y,new_x)
% x是已知的样本点的横坐标
% y是已知的样本点的纵坐标，x与y坐标同为行或列向量
%new_x是要插入处对应的横坐标

例如

x=-pi:pi;
y=sin(x);
new_x=-pi:0.1:pi;
p1=pchip(x,y,new_x);%分段三次埃尔米特插值
p2=spline(x,y,new_x);%三次样条插值
plot(x,y,'o',new_x,p1,'r-',new_x,p2,'b-')
legend('样本点','三次埃尔米特插值','三次样条插值','Location','SouthEast')%标注显示在东南方向

可以看出，三次样条生成的曲线更加光滑。在实际建模中，由于我们不知道数据的生成过程，因此这两种插值都可以使用。当然，以上的插值算法可以进行数据的预测。只需要把new_x的部分改为想要预测的坐标就可以了。