逼近理论

数学中的逼近理论是如何将一函数用较简单的函数来找到最佳逼近，且所产生的误差可以有量化的表征，以上提及的“最佳”及“较简单”的实际意义都会随着应用而不同。

数学中有一个相关性很高的主题，是用广义傅里叶级数进行函数逼近，也就是用以正交多项式为基础的级数来进行逼近。

计算机科学中有一个问题和逼近理论有关，就是在数学函式库中如何用计算机或计算器可以执行的功能（例如乘法和加法）尽可能的逼近某一数学函数，一般会用多项式或有理函数（二多项式的商）来进行。

逼近理论的目标是尽可能地逼近实际的函数，一般精度会接近电脑浮点运算的精度，一般会用高次的多项式，以及（或者）缩小多项式逼近函数的区间。缩小区间可以针对要逼近的函数，利用许多不同的系数及增益来达到。现在的数学函式库会将区间划分为许多的小区间，每个区间搭配一个次数不高的多项式。

红色是log(x)及最佳多项式的误差，蓝色是log(x)和Chebyshev逼近的误差，x范围都在[2, 4]区间内，纵轴的格线为10−5。最佳多项式的最大误差为6.07 x 10−5

红色是exp(x)及最佳多项式的误差，蓝色是exp(x)和Chebyshev逼近的误差，x范围都在[−1, 1]区间内，纵轴的格线为10−4。最佳多项式的最大误差为5.47 x 10−4.

最佳多项式

只要选定了多项式的次数及逼近的范围，就可以用以使最坏情形误差最小化的原则，来选择逼近多项式，其目的为最小化$\mid P(x)-f(x)\mid$的绝对值，其中P(x)为逼近多项式，而f(x)为实际的函数。对于一个良态的函数，存在一个N次的多项式，使误差曲线的大小在$+\varepsilon$和$-\varepsilon$之间震荡至多N+2次，其最坏情形的误差为$\varepsilon$。一个N次的多项式可以内插曲线中的N+1个点。当然也有可能制造一些极端的函数，使得满足上述条件的多项式不存在，但在实务上很少需要为这様的函数进行逼近。

例如右图中的红线就是用N = 4情形下用多项式逼近log(x)及exp(x)的误差。误差在$+\varepsilon$和$-\varepsilon$之间震荡。每一个例子中的极端有N+2个，也就是6个。极值出现在区间的端点，也就是图的最左边及最右边。

切比雪夫近似

前六个第一类切比雪夫多项式的图像，其中-1¼<x<1¼, -1¼<y<1¼

切比雪夫近似是利用将函数展开为由切比雪夫多项式组成的各项，依需要的逼近程度决定展开的项次，可以得到很接近多项式的结果。此作法类似进行函数的傅里叶分析，只是用切比雪夫多项式代替分析中用到的三角函数。

若计算一函数切比雪夫展开的系数：

$f(x)\sim \sum _{i=0}^{\infty }c_{i}T_{i}(x)$

只展开到$T_{N}$项为止，可以得到一个逼近f(x)的N次多项式。

对于一个有快速收敛幂级数的函数而言，若展开到一定项次后截止不再展开，截止产生的误差接近截止后的第一项，因此误差可以由截止后的第一项代表。若是用切比雪夫多项式展开，也会有一様的结果。若切比雪夫展开只展开到$T_{N}$，后面截止，其误差会接近$T_{N+1}$的整数倍。切比雪夫多项式的特点是在[−1, 1]区间以内．其数值会在+1和−1之间震荡。$T_{N+1}$有N+2个极点。因此f(x)和切比雪夫展开的误差接近一个有N+2个极点的函数，因此为近似最佳的N次多项式。

在上面中，可以看到蓝色线（切比雪夫近似的误差）有时比红色线（最佳多项式的误差）接近x轴，但有时蓝色线反而离x轴较远，因此切比雪夫近似和最佳多项式毕竟还是有差异。不过exp函数是快速收敛的函数，切比雪夫近似的误差会比log函数要好。

切比雪夫近似是数值积分方法Clenshaw–Curtis正交法的基础。

雷米兹算法

雷米兹算法是在1934年由苏俄数学家雷米兹提出的算法。可用来产生在一定区间内逼近函数f(x)的最佳多项式P(x)。雷米兹算法是一种迭代式的算法，最后会收敛到使误差函数N+2个极值的多项式。

雷米兹算法是用以下的事实为基础：可以在有N+2个测试点的情形下，创建一个N次多项式，其误差函数在0附近震荡。

假设N+2个测试点$x_{1}$, $x_{2}$, ... $x_{N+2}$（其中$x_{1}$和$x_{N+2}$假设是区间的二个端点），需求解以下的多项式：

$P(x_{1})-f(x_{1})=+\varepsilon \,$

$P(x_{2})-f(x_{2})=-\varepsilon \,$

$P(x_{3})-f(x_{3})=+\varepsilon \,$

$\vdots$

$P(x_{N+2})-f(x_{N+2})=\pm \varepsilon .\,$

等式右侧的正负号交替出现。因此可以得到下式：

$P_{0}+P_{1}x_{1}+P_{2}x_{1}^{2}+P_{3}x_{1}^{3}+\dots +P_{N}x_{1}^{N}-f(x_{1})=+\varepsilon \,$

$P_{0}+P_{1}x_{2}+P_{2}x_{2}^{2}+P_{3}x_{2}^{3}+\dots +P_{N}x_{2}^{N}-f(x_{2})=-\varepsilon \,$

$\vdots$

既然$x_{1}$, ..., $x_{N+2}$给定，其各次方的幂次也是已知，而$f(x_{1})$, ..., $f(x_{N+2})$也是已知。上式就变成由N+2的线性方程组成的联立方程．有N+2个变数，分别是$P_{0}$, $P_{1}$, ..., $P_{N}$及$\varepsilon$。可以解出上式的多项式P及误差$\varepsilon$。

下图产生一个在[−1, 1]区间内逼近$e^{x}$的四阶多项式，六个测试点为 −1, −0.7, −0.1, +0.4, +0.9和1。在图中将二端点以外的测试点标示绿色，其误差$\varepsilon$为 is 4.43 x 10⁻⁴。

要产生在[−1, 1]区间内逼近$e^{x}$的四阶多项式，依雷米兹算法的第一步计算逼近多项式的误差。垂直的一格为10⁻⁴

注意到上图在六个测试点上的误差的确是$\pm \varepsilon$，但极值不是在测试点上。若极值在测试点上（P(x)-f(x)在测试点上有最大值或最小值），在此这个区间的误差都不会超过$\pm \varepsilon$，此多项式即为最佳多项式。

雷米兹算法的第二步就是将测试点移到误差函数有最大值或最小值，例如上图中−0.1的测试点需移到−0.28。移动的方式可以进行一轮牛顿法，来取新的测试点位置，由于知道P(x)−f(x)的一阶及二阶导数，因此可以大略计算测试点要移到哪里才能使误差函数的微分为零。计算多项式P(x)的一阶及二阶导数并不困难，但雷米兹算法需要可以计算f(x)的一阶及二阶导数，而且需要很高的精度，其精度需求要比雷米兹算法输出期望的精度要高。

在移动测试点后，会产生新的线性联立方程，求解后得到新的多项式，再利用牛顿法去找下一组测试点……，一直到结果收敛到需要的精度为止。雷米兹算法收敛速度很快，对于良态的函数，雷米兹算法是二次收敛，若测试点是在正确位置的$10^{-15}$误差范围内，下次测试点是在正确位置的$10^{-30}$误差范围内。

使用雷米兹算法时，一般会选切比雪夫多项式$T_{N+1}$的零点为初始测试点，因为最后的误差函数会类似切比雪夫多项式。

相关条目

• 切比雪夫多项式
• 广义傅里叶级数
• 正交多项式
• 正交基
• 傅里叶级数
• 邵德尔基
• 帕德逼近
• 函数逼近
• 样条函数