逼近函数 III

插值法逼近函数

简述有限元逼近函数

前情回顾

引子

我们用两次推送, 讨论了用最小二乘法伽辽金法逼近函数, 二者出发点不同, 但最终都是化无限维为有限维问题来求解, 即将寻找最优逼近函数问题化为解线性方程组.

复盘

逼近函数问题:
对于任意函数 $f(x)$, 设法在函数空间 $V={\rm span}{\psi_0(x),\dots,\psi_N(x)}$ 中找到最佳逼近函数 $u(x)$.

无论是最小二乘法, 还是伽辽金法, 在面对逼近函数的问题时, 与逼近向量时的想法一样: 设法使的 $u(x)$ 和 $f(x)$ 之间的"距离"最小.

用数学语言就是: $\lVert u-f \rVert$ 在某种范数下最小.

  • 逼近向量
    用向量內积表示

$$ \begin{equation} \lVert u-f \rVert = (u-f, u-f). \label{eq:eq1} \end{equation} $$

  • 逼近函数
    用函数积分表示

$$ \begin{equation} \lVert u-f \rVert = \int_{\Omega}(u-f)^2{\rm d}x . \label{eq:eq2} \end{equation} $$

确定"距离"这一重要概念后, 就是常规的数学操作了. $u(x)$ 可以写成基函数的线性组合,

$$ \begin{equation} u(x) = c_0\psi_0(x) + \cdots + c_N\psi_N(x). \label{eq:eq3} \end{equation} $$

将式 (\ref{eq:eq3}) 分别代入式 (\ref{eq:eq1})((\ref{eq:eq2})), 再分别利用分析手段(求导)和"正交性"就可以得到逼近向量(函数)的最小二乘法和伽辽金法.

简述有限元逼近函数理解正交性

小结

结合第一期推送, 可以得到: 在逼近向量和逼近函数问题时, 最小二乘法和伽辽金法是等同的.

熟悉的插值法

$\color{gray}{\textit{The interpolation method}}$

综述

插值法是数值分析课中必讲的内容, 出现在最小二乘法之前的方法, 基本而且重要. 下面来回顾总结一下插值法:

插值法的出发点与最小二乘法和伽辽金法都不同, 它要求逼近函数 $u(x)$ 在有限个点上与原函数 $f(x)$ 相同, 即

$$ u\left(x_{i}\right)=\sum_{j \in \mathcal{I}_{s}} c_{j} \psi_{j}\left(x_{i}\right)=f\left(x_{i}\right), \quad i \in \mathcal{I}_{s}. $$

这样, 自然也形成了一个有 $N+1$ 个未知量 $c_j$ 的线性方程组

\begin{equation} \sum_{j \in \mathcal{I}_{s}} A_{i, j} c_{j}=b_{i}, \quad i \in \mathcal{I}_{s}. \label{eq:eq4} \end{equation}

其中

$$ \begin{align*} A_{ij} &= \psi_j(x_i), \\[3pt] b_i &= f(x_i). \end{align*} $$

与之前方法不同的是, 系数矩阵 $A$ 不再对称, 因为 $\psi_j(x_i) \neq \psi_i(x_j)$.

两个例题

例题 1:
来于线性代数, 平面上有 $n+1$ 个点(两两不同), 问: 是否存在一个 $n$ 次多项式函数, 过这 $n+1$ 个点? 若存在, 请给出.

解: 存在. 设 $n$ 次多项式函数为

$$ f(x) = a_nx^n+\cdots+a_1x + a_0. $$

将 $n+1$ 个点的坐标 $(x_j, y_j)$ 依次代入上式, 得

$$ \begin{cases} a_nx_n^n+\cdots+a_1x_n + a_0 = y_n,\\[3pt] a_nx_{n-1}^n+\cdots+a_1x_{n-1} + a_0 = y_{n-1}, \\[3pt] \hspace{5em} \vdots \\[3pt] a_nx_0^n+\cdots+a_1x_0 + a_0 = y_0. \end{cases} $$

$$ \begin{bmatrix} x_n^n & \cdots & x_n & 1\\
x_{n-1}^{n} & \cdots & x_{n-1} & 1\\
&\vdots&&\\
x_0^n & \cdots & x_0 & 1 \end{bmatrix} \begin{bmatrix} a_n\\ \vdots \\ a_1 \\ a_0 \end{bmatrix} = \begin{bmatrix} y_n\\ y_{n-1} \\ \vdots \\ y_0 \end{bmatrix}. $$

系数矩阵非奇异(系数矩阵是范德蒙行列式), 所以线性方程组有解. 即存在一个 $n$ 次多项式函数, 过这 $n+1$ 个点.

例题 2
设函数 $f(x)=10(x-1)^2-1$, 在线性函数空间中找到最佳逼近函数 $u(x)$, 求解域 $\Omega = [1, 2]$, 两个真解点为: $x_0 = 1 + \frac{1}{3}, x_1 = 1+ \frac{2}{3}$.

解: 已知 $\psi_0 = 1, \psi_1 = x$, 因此利用式 (\ref{eq:eq4}), 得

$$ A = \begin{bmatrix} 1 & \frac{4}{3}\\ 1& \frac{5}{3}\end{bmatrix}, \quad b = \begin{bmatrix} \frac{1}{9} \\ \frac{31}{9}\end{bmatrix}. $$

解得

$$ c = \begin{bmatrix} -\frac{119}{9} \\ 10 \end{bmatrix}. $$

所以,

$$ u(x) = -\frac{119}{9} + 10x. $$

简述有限元逼近函数线性插值

拉格朗日多项式

$\color{gray}{\textit{Lagrange polynomials}}$

上一次推送中, 讨论了基函数正交(傅立叶级数做基函数)的好处, 在插值法中, 拉格朗日插值多项式可以起到相同的作用

$$ \psi_{i}(x)=\prod_{j=0, j \neq i}^{N} \frac{x-x_{j}}{x_{i}-x_{j}}=\frac{x-x_{0}}{x_{i}-x_{0}} \cdots \frac{x-x_{i-1}}{x_{i}-x_{i-1}} \frac{x-x_{i+1}}{x_{i}-x_{i+1}} \cdots \frac{x-x_{N}}{x_{i}-x_{N}}, \quad \textit{for}\ i \in, \cal{I}_s. $$

观察上式可知, 每一个 $\psi_i(x)$ 都是一个 $N$ 次多项式, 而且满足

$$ \psi_{i}\left(x_{s}\right)=\delta_{i s}, \quad \delta_{i s} =\left{\begin{array}{ll} {1,} & {i=s} \\
{0,} & {i \neq s} \end{array}\right. $$

其中, $x_s$ 是插值点. 由以上性质可得

$$ A_{ij}= \begin{cases} 0\quad \textit{for} \ i \neq j, \\[3pt] 1\quad \textit{for} \ i = j. \end{cases} $$

所以, 线性方程组求解变得相当简单

$$ c_{i}=f\left(x_{i}\right), \quad i \in \mathcal{I}_{s}. $$

进一步地,

$$ u(x)=\sum_{j \in I_{s}} f\left(x_{i}\right) \psi_{i}(x). $$

简述有限元逼近函数两个节点

简述有限元逼近函数三个节点

简述有限元逼近函数四个节点

拉格朗日多项式在有限元方法中依旧很重要.


编程实例

  1. 利用拉格朗日多项式做基函数编程实现例题 2.

  2. 假设 $f(x)=\sin(2\pi x), \Omega=[0, 1]$, 利用拉格朗日多项式做基函数, 分别用最小二乘法和插值法寻找最佳逼近函数 $u(x)$.
    注: 可假设基函数个数为 3 个, 拉格朗日点为等距节点


下节预告

开始讨论有限元 🤘

updatedupdated2020-04-042020-04-04
加载评论
点击刷新