文章目录
本篇文章适合个人复习翻阅,不建议新手入门使用
最佳逼近
1. 度量空间中的逼近
给定度量空间
(
X
,
d
)
(X,d)
(X,d) 及其子集
S
S
S,若对
X
X
X中任意一点
a
a
a,
S
S
S 中可以找到一个点
s
s
s 使得
d
(
a
,
s
)
=
d
i
s
t
(
a
,
S
)
d(a,s)=dist(a,S)
d(a,s)=dist(a,S)则称
s
s
s 是
a
a
a 在
S
S
S 中的最佳逼近元
存在性
对度量空间中的点,紧子空间中一定有其最佳逼近元
证明
- 由dist的定义, ∃ s n ∈ S , d ( a , s n ) → d i s t ( a , s ) \exists s_n\in S,d(a,s_n)\to dist(a,s) ∃sn∈S,d(a,sn)→dist(a,s)
- 由紧性得 S S S 闭, ∃ s ∈ S , s . t . d ( s n , s ) → 0 \exists s\in S,s.t.d(s_n,s)\to 0 ∃s∈S,s.t.d(sn,s)→0
- 由三角不等式, d ( a , s ) ≤ d ( a , s n ) + d ( s n , s ) → d i s t d(a,s)\leq d(a,s_n)+d(s_n,s)\to dist d(a,s)≤d(a,sn)+d(sn,s)→dist
2. 赋范线性空间中的逼近
给定赋范线性空间
(
X
,
∣
∣
⋅
∣
∣
)
(X,||\cdot||)
(X,∣∣⋅∣∣) 及其子集
S
S
S,若对
X
X
X中任意一点
a
a
a,
S
S
S 中可以找到一个点
s
s
s 使得
∣
∣
a
−
s
∣
∣
=
d
i
s
t
(
a
,
S
)
||a-s||=dist(a,S)
∣∣a−s∣∣=dist(a,S)则称
s
s
s 是
a
a
a 在
S
S
S 中的最佳逼近元
存在性和唯一性
- 对赋范线性空间中的点,有限维子空间中一定有最佳逼近元
- 对严格凸赋范线性空间中的点,子空间中最多有一个最佳逼近元
- 对严格凸赋范线性空间中的点,有限维子空间内存在唯一的最佳逼近元
证明
- 由度量空间的相关结论立得
- 同一法:设有两个最佳逼近元 s 1 , s 2 s_1,s_2 s1,s2,导出矛盾
3. 连续函数空间上的最佳逼近
3.1 多项式逼近
对给定的
f
(
x
)
∈
C
[
a
,
b
]
f(x)\in C[a,b]
f(x)∈C[a,b] ,在某种范数下,在多项式函数空间
P
n
\mathbb{P}_n
Pn 中
P
(
x
)
P(x)
P(x),使得
∣
∣
P
(
x
)
−
f
(
x
)
∣
∣
=
inf
g
∈
P
n
∣
∣
g
(
x
)
−
f
(
x
)
∣
∣
||P(x)-f(x)||=\inf\limits_{g\in \mathbb{P}_n} ||g(x)-f(x)||
∣∣P(x)−f(x)∣∣=g∈Pninf∣∣g(x)−f(x)∣∣注:
- 在 L ∞ L^{\infty} L∞ 范数意义下, P ( x ) P(x) P(x) 称为最佳一致逼近多项式(BUAP)
- 在 L 2 L^2 L2 范数意义下, P ( x ) P(x) P(x) 称为最佳平方逼近多项式
定义
偏差:称 Δ ( P ) = max x ∣ f ( x ) − P ( x ) ∣ \Delta (P)=\max\limits_x|f(x)-P(x)| Δ(P)=xmax∣f(x)−P(x)∣ 为 P ( x ) P(x) P(x) 与 f ( x ) f(x) f(x) 的偏差
最小偏差:称 E n = inf P ∈ P n Δ ( P ) E_n=\inf\limits_{P\in\mathbb{P}_n}\Delta (P) En=P∈PninfΔ(P) 为 P ( x ) P(x) P(x) 对 f ( x ) f(x) f(x) 的最小偏差;
偏离点:使 P ( x ) P(x) P(x) 达到最小偏差的 x x x 称为偏离点,根据其相对 f ( x ) f(x) f(x) 的位置分别称为正、负偏离点
命题
若存在
P
∗
(
x
)
∈
P
n
P^*(x)\in\mathbb{P}_n
P∗(x)∈Pn ,使得
Δ
(
P
∗
)
=
E
n
\Delta(P^*)= E_n
Δ(P∗)=En,则
P
∗
(
x
)
P^*(x)
P∗(x) 即为
f
(
x
)
f(x)
f(x) 在
P
n
\mathbb{P}_n
Pn 中的最佳一致逼近多项式(BUAP)
3.2 存在性和唯一性
Borel存在定理: P n \mathbb{P}_n Pn 中最佳逼近多项式存在
证明
- 对任意最小偏差 E n E_n En,可找到一列多项式 P m ( x ) P_m(x) Pm(x),使得 Δ ( P m ) → E n \Delta(P_{m})\to E_n Δ(Pm)→En (Weierstrass 逼近定理可证)
- 一列有界多项式 P m ( x ) P_m(x) Pm(x) 必有一致收敛的子列 P ∗ ( x ) P^*(x) P∗(x)
设
P
m
(
x
)
=
a
0
,
m
+
a
1
,
m
x
+
a
2
,
m
x
2
+
⋯
+
a
n
,
m
x
n
P_m(x)=a_{0,m}+a_{1,m} x+a_{2,m}x^2+\cdots+a_{n,m} x^n
Pm(x)=a0,m+a1,mx+a2,mx2+⋯+an,mxn
为寻找
P
∗
(
x
)
P^*(x)
P∗(x) 的各项系数,取
n
+
1
n+1
n+1 个点
x
0
,
x
1
…
,
x
n
x_0,x_1\dots,x_n
x0,x1…,xn,有
(
1
x
0
⋯
x
0
n
1
x
1
⋯
x
1
n
⋮
⋮
⋮
1
x
n
⋯
x
n
n
)
⋅
(
a
0
,
m
a
1
,
m
⋮
a
n
,
m
)
=
(
P
m
(
x
0
)
P
m
(
x
1
)
⋮
P
m
(
x
n
)
)
\begin{pmatrix} 1&x_0&\cdots&x_0^n\\ 1&x_1&\cdots&x_1^n\\ \vdots&\vdots&&\vdots\\ 1&x_n&\cdots&x_n^n\\ \end{pmatrix}\cdot \begin{pmatrix} a_{0,m}\\a_{1,m}\\\vdots\\a_{n,m}\\ \end{pmatrix}= \begin{pmatrix} P_m(x_0)\\P_m(x_1)\\\vdots\\P_m(x_n)\\ \end{pmatrix}
11⋮1x0x1⋮xn⋯⋯⋯x0nx1n⋮xnn
⋅
a0,ma1,m⋮an,m
=
Pm(x0)Pm(x1)⋮Pm(xn)
由Vandermonde行列式的性质,
a
0
,
m
,
a
1
,
m
,
…
,
a
n
,
m
a_{0,m},a_{1,m},\dots,a_{n,m}
a0,m,a1,m,…,an,m 可被唯一表示,由
P
m
(
x
)
P_m(x)
Pm(x) 的有界性得到
a
0
,
m
,
a
1
,
m
,
…
,
a
n
,
m
a_{0,m},a_{1,m},\dots,a_{n,m}
a0,m,a1,m,…,an,m 的有界性
故由对角线方法,可选到共同的子列使得
a
0
,
m
i
→
a
0
∗
,
…
,
a
n
,
m
i
→
a
n
∗
a_{0,m_i}\to a_0^*,\dots,a_{n,m_i}\to a_n^*
a0,mi→a0∗,…,an,mi→an∗
令
P
∗
(
x
)
=
a
0
∗
+
a
1
∗
x
+
a
2
∗
x
2
+
⋯
+
a
n
∗
x
n
P^*(x)=a_0^*+a_1^* x+a_2^*x^2+\cdots+a_n^* x^n
P∗(x)=a0∗+a1∗x+a2∗x2+⋯+an∗xn
- 得到的
P
∗
(
x
)
P^*(x)
P∗(x) 即为所求
E n ≤ Δ ( P ∗ ) ≤ Δ ( P ) + max x ∣ P − P ∗ ∣ ≤ E n + ε → E n \begin{split} E_n&\leq \Delta (P^*)\\ &\leq \Delta (P) + \max\limits_x {|P-P^*|}\\ &\leq E_n + \varepsilon\to E_n \end{split} En≤Δ(P∗)≤Δ(P)+xmax∣P−P∗∣≤En+ε→En
定理:若最佳逼近多项式存在,那么正、负偏离点必同时存在
证明:容易想象,如果多项式无法同时达到正、负偏离点,那么总可以通过上下平移的方式减小偏差
Chebyshev定理: P n \mathbb{P}_n Pn 中最佳逼近多项式存在且唯一,且 P n ( x ) P_n(x) Pn(x) 为最佳逼近多项式当且仅当不少于 n + 2 n+2 n+2 个点为正负偏离点,且交错取到
证明
充分性:(Vallee-Poussin 定理)
设
P
(
x
)
∈
P
n
P(x)\in\mathbb{P}_n
P(x)∈Pn,
ε
(
x
)
=
P
(
x
)
−
f
(
x
)
\varepsilon (x)=P(x)-f(x)
ε(x)=P(x)−f(x) 在
x
1
<
⋯
<
x
N
x_1<\cdots<x_N
x1<⋯<xN 上取值为非零的正负相间值
λ
1
,
−
λ
2
,
…
,
(
−
1
)
N
−
1
λ
N
,
(
λ
i
>
0
)
\lambda_1,-\lambda_2,\dots,(-1)^{N-1}\lambda_N,(\lambda_i>0)
λ1,−λ2,…,(−1)N−1λN,(λi>0) 且
N
≥
n
+
2
N\geq n+2
N≥n+2 ,则有
∀
Q
(
x
)
∈
P
n
,
Δ
(
Q
)
≥
min
λ
i
\forall Q(x)\in\mathbb{P}_n,\Delta (Q)\geq \min \lambda_i
∀Q(x)∈Pn,Δ(Q)≥minλi
证:反证法+零点存在性定理可导出 P ( x ) = Q ( x ) P(x)=Q(x) P(x)=Q(x) ,得矛盾
必要性:只需证不少于
n
+
2
n+2
n+2 个正负偏离点,用反证法
若只有
n
+
1
n+1
n+1 个正负偏离点
x
i
x_i
xi,则构造
Q
(
x
)
=
P
(
x
)
+
ω
∏
(
x
−
x
i
)
Q(x)=P(x)+\omega \prod\limits(x-x_i)
Q(x)=P(x)+ω∏(x−xi)适当选择
ω
\omega
ω 的符号,即可得到
Δ
(
Q
)
<
Δ
(
P
)
\Delta (Q)<\Delta(P)
Δ(Q)<Δ(P)
唯一性:同一法 + 零点存在性定理
定理
若
f
(
n
+
1
)
(
x
)
f^{(n+1)}(x)
f(n+1)(x) 在
(
a
,
b
)
(a,b)
(a,b) 上存在且保号,则
f
(
x
)
f(x)
f(x) 在
P
n
\mathbb{P}_n
Pn中的最佳逼近多项式满足:恰有
n
+
2
n+2
n+2 个正负偏离点,且
a
,
b
a,b
a,b 均为正负偏离点
证明:反证法+Rolle定理
3.3 最小零偏差多项式
定义:(最小零偏差多项式)
0
0
0 在
P
n
\mathbb{P}_n
Pn 中的最佳逼近多项式称为最小零偏差多项式,或称 Chebshev最佳逼近多项式
注:等价于 x n x^n xn 在 P n − 1 \mathbb{P}_{n-1} Pn−1 中的最佳逼近多项式
定理:(Chebshev最佳逼近多项式的结构)
最小零偏差多项式为
2
1
−
n
T
n
(
x
)
2^{1-n}T_n(x)
21−nTn(x) ,其中
T
n
(
x
)
T_n(x)
Tn(x) 为 Chebshev多项式
T
n
(
x
)
=
cos
(
n
arccos
x
)
T_n(x)=\cos{(n\arccos{x})}
Tn(x)=cos(narccosx)
证明:
找
x
n
x^n
xn 在
P
n
−
1
\mathbb{P}_{n-1}
Pn−1 中的最佳逼近多项式的
n
+
1
n+1
n+1 个交错点列,对于 Chebshev多项式即
cos
k
π
n
,
k
=
0
,
1
,
…
,
n
\cos{\frac{k\pi}{n}},k=0,1,\dots,n
cosnkπ,k=0,1,…,n
推论:
对所有首项系数为 1的
n
n
n 次多项式,有
max
∣
x
∣
≤
1
∣
P
n
(
x
)
∣
≥
2
1
−
n
\max\limits_{|x|\leq 1}|P_n(x)|\geq 2^{1-n}
∣x∣≤1max∣Pn(x)∣≥21−n
标签:mathbb,dist,复习,逼近,多项式,最佳,Pn From: https://blog.csdn.net/2301_76884115/article/details/136946079参考书籍:《数值分析》李庆扬 王能超 易大义 编