5、多项式逼近方法全解析：从理论到实践

多项式逼近方法全解析：从理论到实践

1. 最佳多项式逼近概述

在许多实际问题中，我们常常需要用多项式来逼近一个给定的函数。对于一个函数 (f)，在特定的范数 (|.| X) 下，我们希望找到一个多项式 (p_n \in P_n)，使得 (|f - p_n|_X) 达到最小，即 (|f - p_n|_X = \inf {q \in P_n} |f - q| X)，这样的 (p_n) 被称为 (f) 在 (P_n) 中的最佳多项式逼近，而 (\inf {q \in P_n} |f - q| X) 则被称为最佳逼近误差。我们主要考虑两种空间 (X)：
- 连续函数空间 (C(I))（均匀范数） ：当 (I = [a, b]) 时，(X = C(I)) 是连续函数的空间，配备均匀范数 (|.| {\infty})，最佳均匀逼近误差记为 (E_n(f) = \inf_{q \in P_n} |f - q| {\infty})。
- 可测函数空间 (L^2(I))（希尔伯特范数） ：当 (I = ]a, b[) 时，(X = L^2(I)) 是可测函数的空间，满足 (\int_a^b |f(x)|^2 dx) 有限，配备内积 (\langle f, g \rangle = \int {-1}^1 f(t)g(t) dt) 和范数 (|f| = \sqrt{\langle f, f \rangle})。

2. 最佳均匀逼近

在区间 (I = [a, b]) 上，对于连续函数 (f \in C(I))，我们要找