Night关于数学的杂谈-插值法

插值法是什么

插值,就是给定一定的离散数据点,范围内估计新数据点的过程或方法。在这个过程中,我们当然希望得到一个连续的光滑曲线同时经过所有的 (xi,yi) ( x i , y i ) ,并求得该曲线在需要求值的点上的值。
具体定义如下:
给定 n n 个离散数据点 (xi,yi) (i[1,n]) ( x i , y i )   ( i ∈ [ 1 , n ] ) ,对于 x (xxi,i[1,n]) x   ( x ≠ x i , i ∈ [ 1 , n ] ) ,求 x x 所对应的 y y 值称之为 内插
f(x) f ( x ) 为定义在区间 [a,b] [ a , b ] 上的函数。 x1,x2,,xn x 1 , x 2 , ⋯ , x n [a,b] [ a , b ] n n 个互不相同的点,G G 为给定的某一函数类。若 G G 上有函数 g(x) g ( x ) 满足:

g(xi)=f(xi) , i[1,n] g ( x i ) = f ( x i )   ,   i ∈ [ 1 , n ]
则称 g(x) g ( x ) f(x) f ( x ) 关于节点 x1,x2,,xn x 1 , x 2 , ⋯ , x n G G 上的插值函数
(摘自维基百科)


牛顿插值法

差商

给定函数 f(x) f ( x ) 和插值节点 x0,x1,,xn x 0 , x 1 , ⋯ , x n ,用 f[x0,x1,,xk] f [ x 0 , x 1 , ⋯ , x k ] 表示 f(x) f ( x ) 关于节点 x0,x1,,xk x 0 , x 1 , ⋯ , x k k k 阶差商(k-th Difference Quotient) (k=1,2,,n) ( k = 1 , 2 , ⋯ , n ) ,它们可递归定义为

f[x0,x1,,xk]=f[x1,x2,,xk]f[x0,x1,,xk1]xkx0 f [ x 0 , x 1 , ⋯ , x k ] = f [ x 1 , x 2 , ⋯ , x k ] − f [ x 0 , x 1 , ⋯ , x k − 1 ] x k − x 0

其中 f(x) f ( x ) 关于 xi x i 0 0 阶差商为 f(xi) f ( x i )
根据差商的定义,差商具有如下性质:
1、
f[x0,x1,,xk]=i=0kf(xi)kj=0,ji(xixj) f [ x 0 , x 1 , ⋯ , x k ] = ∑ i = 0 k f ( x i ) ∏ j = 0 , j ≠ i k ( x i − x j )

证明的话可以用数学归纳法直接爆肝就行了,此处省略(其实这个性质下面并不会用到,主要是引入对称这个性质)。

2、由上面那个公式可以显然看出, xi x i 顺序的改变并不会影响差商的值,因此我们称差商具有对称性。

牛顿插值公式

于是我们利用差商的性质,可以推出牛顿插值公式。方法如下:
首先由差商的定义,以及其对称的性质,可以得到:

f[x,x0]=f(x)f(x0)xx0    f(x)=f(x0)+f[x,x0](xx0)    (a) f [ x , x 0 ] = f ( x ) − f ( x 0 ) x − x 0     →     f ( x ) = f ( x 0 ) + f [ x , x 0 ] ( x − x 0 )         ( a )
f[x,x0,x1]=f[x,x0]f[x0,x1]xx1 f [ x , x 0 , x 1 ] = f [ x , x 0 ] − f [ x 0 , x 1 ] x − x 1
  f[x,x0]=f[x0,x1]+f[x,x0,x1](xx1)    (b) →     f [ x , x 0 ] = f [ x 0 , x 1 ] + f [ x , x 0 , x 1 ] ( x − x 1 )         ( b )
f[x,x0,,xn]=f[x,x0,,xn1]f[x0,x1,,xn]xxn    f[x,x0,,xn1]=f[x0,x1,,xn]+f[x,x0,,xn](xxn)    (c) f [ x , x 0 , ⋯ , x n ] = f [ x , x 0 , ⋯ , x n − 1 ] − f [ x 0 , x 1 , ⋯ , x n ] x − x n     →     f [ x , x 0 , ⋯ , x n − 1 ] = f [ x 0 , x 1 , ⋯ , x n ] + f [ x , x 0 , ⋯ , x n ] ( x − x n )         ( c )

我们发现,对于式子 (b) ( b ) ,我们将其乘上 (xx0) ( x − x 0 ) ,那么就会有
(a)+(b)×(xx0)    f(x)+f[x,x0](xx0)=f(x0)+f[x,x0](xx0)+f[x0,x1](xx0)+f[x,x0,x1](xx0)(xx1) ( a ) + ( b ) × ( x − x 0 )   :       f ( x ) + f [ x , x 0 ] ( x − x 0 ) = f ( x 0 ) + f [ x , x 0 ] ( x − x 0 ) + f [ x 0 , x 1 ] ( x − x 0 ) + f [ x , x 0 , x 1 ] ( x − x 0 ) ( x − x 1 )

递推地看,我们发现一个规律,每个式子 (c) ( c ) 如果乘上一个 (xx0)(xx1)(xxn1) ( x − x 0 ) ( x − x 1 ) ⋯ ( x − x n − 1 ) 以后可以上下相加来抵消一些项。
因此对于每一个 (c) ( c ) 式,我们将其乘上 (xx0)(xx1)(xxn1) ( x − x 0 ) ( x − x 1 ) ⋯ ( x − x n − 1 ) 后求和,可以得到这样的式子
f(x)=f(x0)+f[x0,x1](xx0)+f[x0,x1,x2](xx0)(xx1)++f[x0,x1,,xn](xx0)(xx1)(xxn1)+f[x,x0,,xn](xx0)(xx1)(xxn1)(xxn) 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 n ] ( x − x 0 ) ( x − x 1 ) ⋯ ( x − x n − 1 ) ( x − x n )

这就是 牛顿插值公式
形式化地,有 f(x)=Pn(x)+Rn(x) f ( x ) = P n ( x ) + R n ( x ) ,并记
Pn(x)=f(x0)+f[x0,x1](xx0)+f[x0,x1,x2](xx0)(xx1)++f[x0,x1,,xn](xx0)(xx1)(xxn1) P n ( 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 )
Rn(x)=f[x,x0,,xn](xx0)(xx1)(xxn1)(xxn) R n ( x ) = f [ x , x 0 , ⋯ , x n ] ( x − x 0 ) ( x − x 1 ) ⋯ ( x − x n − 1 ) ( x − x n )

并称 Pn(x) P n ( x ) 牛顿插值多项式 Rn(x) R n ( x ) 牛顿插值余项

复杂度

显然我们预处理差商的时候需要 O(n2) O ( n 2 ) 的复杂度,而单次计算的时候只需要用秦九韶算法 O(n) O ( n ) 求出。

优缺点

牛顿插值法可以在 O(n) O ( n ) 的复杂度计算单次的值, 并且当插值点增加的时候,我们也只需要 O(n) O ( n ) 的复杂度刷新一遍差商即可,这就是牛顿插值法的优越性。缺点的话,就是计算较为复杂,式子也不好背。
(其实缺点是这个算法无法在特殊情况下优化到 O(n) O ( n ) ,如何这样请看下文)

实现

在插值这个过程中,我们只需要求出 P(x) P ( x ) 的值即可,余项只是用来判误差的。
观察这个式子,我们发现对于 1 1 这个因式,所有的项都有(这不是废话);对于 (xx0) ( x − x 0 ) 这个因式,从第二项到最后一项都有;对于 (xx0)(xx1) ( x − x 0 ) ( x − x 1 ) 这个因式,从第三项到最后一项都有
发现什么没有?这玩意非常像那个叫秦九韶算法的玩意。因此我们考虑预处理差商,然后利用秦九韶算法从内往外求出 P(x) P ( x ) 的值。代码如下:

//Night's template
#include 
#define R register
#define LL long long
template<class TT>inline TT Max(R TT a,R TT b){return atemplate<class TT>inline TT Min(R TT a,R TT b){return ausing namespace std;
template<class TT>inline void read(R TT &x){
    x=0;R bool f=false;R char c=getchar();
    for(;c<48||c>57;c=getchar())f|=(c=='-');
    for(;c>47&&c<58;c=getchar())x=(x<<1)+(x<<3)+(c^48);
    (f)&&(x=-x);
}
//end template
const int maxn = 2020;
struct node{
    double x,y;
}P[maxn];//储存点的结构题体
int n;
double a[maxn];//差商,作为系数
double x;//求值点
int main(){
    read(n);
    for(R int i=0;iscanf("%lf%lf",&P[i].x,&P[i].y);
    }//输入数据点
    scanf("%lf",&x);//求值点
    for(R int i=0;ifor(R int i=0;ifor(R int j=n-1;j>i;j--){
            a[j]=(a[j]-a[j-1])/(P[j].x-P[j-1-i].x);
        }
    }//处理差商

    R double tmp=1,ans=a[0];
    for(R int i=0;i1];
    }
    printf("%.5lf\n",ans);
    return 0;
}

拉格朗日插值法

推导分析

由于我们要构造的多项式 L(x) L ( x ) 需要满足 L(xi)=yi L ( x i ) = y i ,因此我们考虑构造这样一个式子,使得 fi(xi)=yi f i ( x i ) = y i 且其余的 fi(xj) (ji) f i ( x j )   ( j ≠ i ) 都为 0 0
显然如果取 fi(x) f i ( x ) (xxj) (ji) ( x − x j )   ( j ≠ i ) 这些因式,那么就可以保证这一点。
因此取

fi(x)=j=0, jinxxjxixj f i ( x ) = ∏ j = 0 ,   j ≠ i n x − x j x i − x j

那么我们要构造的多项式即是
L(x)=i=0nfi(x) yi L ( x ) = ∑ i = 0 n f i ( x )   y i

那么 L(x) L ( x ) 称为 拉格朗日插值多项式 fi(x) f i ( x ) 称为 拉格朗日基本多项式(或者插值基函数)

复杂度

显然求每一个 fi(x) f i ( x ) O(n) O ( n ) 的,于是求 L(x) L ( x ) O(n×n)=O(n2) O ( n × n ) = O ( n 2 ) 的。因此对于每个插值点,拉格朗日插值法的复杂度是 O(n2) O ( n 2 ) 的。

优缺点

拉格朗日插值多项式结构整齐,计算十分方便(比牛顿插值法好记多了)。但是在实际计算中,当插值点有所修改时,所对应的整个多项式就需要全部重新计算,复杂度是 O(n2) O ( n 2 ) 的(相比之下牛顿插值法只需要 O(n) O ( n ) ),因此我们就要用重心拉格朗日插值法或牛顿插值法来代替。此外,当插值点比较多的时候,拉格朗日插值多项式的次数可能会很高,因此具有数值不稳定的特点,也就是说尽管在已知的几个点取到给定的数值,但在附近却会和“实际上”的值之间有很大的偏差。这类现象也被称为龙格现象,相同地,牛顿插值法由于也是一个 n n 次的多项式,也会出现同样的问题。解决的办法是分段用较低次数的插值多项式。

重心插值法

再观察一下这个式子

fi(x)=j=0, jinxxjxixj f i ( x ) = ∏ j = 0 ,   j ≠ i n x − x j x i − x j

L(x)=i=0n(fi(x)×yi) L ( x ) = ∑ i = 0 n ( f i ( x ) × y i )

我们会发现我们每个 fi(x) f i ( x ) 都重复计算了这样一个东西
j=0,jin(xxj) ∏ j = 0 , j ≠ i n ( x − x j )

于是乎,我们记
g(x)=i=0n(xxi) g ( x ) = ∏ i = 0 n ( x − x i )

来解决这个问题,这样一来 L(x) L ( x ) 就会变成这样:
L(x)=g(x)i=0nyi(ji(xixj))×(xxi) L ( x ) = g ( x ) ∑ i = 0 n y i ( ∏ j ≠ i ( x i − x j ) ) × ( x − x i )

为了解决拉格朗日插值法每次加入插值点都需要重新计算 fi(x) f i ( x ) 的问题,对于每一个 fi( f i ( 我们记重心权
wi=yiji(xixj) w i = y i ∏ j ≠ i ( x i − x j )


L(x)=g(x)i=0nwixxi L ( x ) = g ( x ) ∑ i = 0 n w i x − x i

这样,求预处理 wi w i 的复杂度为 O(n2) O ( n 2 ) ,单次求值 L(x) L ( x ) 的复杂度为 O(n) O ( n )
而对于动态加点的问题,我们只需要 O(n) O ( n ) 地修改 wi w i 就可以了,避免了 O(n2) O ( n 2 ) 的复杂运算,具体做法呢,就是把所有的 wi w i 除以 xixn+1 x i − x n + 1 得到新的 wn+1 w n + 1 ,这样一来我们的添加插值点的复杂度就变成 O(n) O ( n ) 的了。


线性插值法

所谓线性插值法,并不是指你把插值点两两直线连起来的那个插值法,而是能在保证插值点 xi=x0+i x i = x 0 + i 的情况下将复杂度优化到 O(n) O ( n ) 的重心拉格朗日插值法。

推导如下

由上面讲的重心插值法,我们有

L(x)=g(x)i=0nwixxi L ( x ) = g ( x ) ∑ i = 0 n w i x − x i

其中的 g(x) g ( x ) 显然可以 O(n) O ( n ) 预处理,因此我们要想办法 O(n) O ( n ) 地计算
i=0nwixxi ∑ i = 0 n w i x − x i

显然前面那个 是省不掉的啊,所以我们考虑如何 O(1) O ( 1 )
wi=yiji(xixj) w i = y i ∏ j ≠ i ( x i − x j )

我们考虑把下面的 分成 j<i j < i j>i j > i 两类,那么
wi=yii1j=0(xixj)×nj=i+1(xixj) w i = y i ∏ j = 0 i − 1 ( x i − x j ) × ∏ j = i + 1 n ( x i − x j )

由于 xi=x0+i x i = x 0 + i ,那么
wi=yiij=1j×nij=1j w i = y i ∏ j = 1 i j × ∏ j = 1 n − i − j

这样一来,我们可以预处理
vi=j=1ij v i = ∏ j = 1 i j

那么
wi=yivj×vni w i = y i v j × − v n − i

于是我们就可以 O(n) O ( n ) 地预处理 vi v i ,然后 O(1) O ( 1 ) 地求出 wi w i ,然后 O(n) O ( n ) 地计算
L(x)=g(x)i=0nwixxi L ( x ) = g ( x ) ∑ i = 0 n w i x − x i

于是此时,我们的插值法就变成线性的啦(耶)
(代码与例题未完待续…
(可能会没空写…

你可能感兴趣的:(算法与数据结构,算法,数学)