什么是对角占优的矩阵，他有什么性质

Question

什么是对角占优的矩阵，他有什么性质

Answer 1

对角占优矩阵（diagonally dominant matrix）是指在一个方阵中，每个元素的绝对值（在该行的元素中）大于或等于该行其它元素绝对值的和。具体来说，设 $A = [a_{ij}]$ 是一个 $n \times n$ 的矩阵，矩阵 $A$ 是对角占优的，当且仅当对所有的 $i$ （ $i = 1, 2, \dots, n$ ），都有以下条件成立：

|a_{ii}| \geq \sum_{j \neq i} |a_{ij}|

其中， $a_{ii}$ 是矩阵 $A$ 的第 $i$ 行第 $i$ 列的对角元素， $a_{ij}$ 是该行中其它元素（ $j \neq i$ ）的值。

如果矩阵严格对角占优，则要求：

|a_{ii}| > \sum_{j \neq i} |a_{ij}|

对角占优矩阵的性质：

存在唯一解的线性方程组： 如果矩阵 $A$ 是对角占优的，并且是方阵，那么线性方程组 $A\mathbf{x} = \mathbf{b}$ 对任何右侧向量 $\mathbf{b}$ 都有唯一解。这是因为对角占优矩阵满足强收敛条件，因此高斯-赛德尔迭代法可以保证收敛。
对角占优矩阵的对称性： 如果一个矩阵是对角占优的，并且是对称矩阵（即 $A = A^T$ ），则该矩阵是正定矩阵。也就是说，所有的特征值都是正的。
不一定可逆： 对角占优矩阵不一定是可逆的，除非它是严格对角占优的。严格对角占优矩阵在一般情况下是可逆的。
数值计算中的优势： 对角占优矩阵常见于数值分析和工程中，因为其良好的条件使得计算方法（如直接法和迭代法）较为稳定。

例子：

一个简单的对角占优矩阵：

A = \begin{pmatrix} 3 & 1 & 2 \\ 1 & 4 & 1 \\ 2 & 1 & 5 \end{pmatrix}

对于每一行：

第一行： $|3| \geq |1| + |2|$ （即 $3 \geq 3$ ）
第二行： $|4| \geq |1| + |1|$ （即 $4 \geq 2$ ）
第三行： $|5| \geq |2| + |1|$ （即 $5 \geq 3$ ）

因此，这个矩阵是对角占优的。

希望这对你理解对角占优矩阵有帮助！如果还有其他问题，欢迎随时提问。

Answer 2

在 SOR（Successive Over-Relaxation）迭代

x^{(k+1)}=(D+\omega L)^{-1}\,\bigl[\,(1-\omega)D-\omega U\,\bigr]\,x^{(k)}+\omega (D+\omega L)^{-1}b

中， $\omega$ 被称为松弛因子。
令

T_\omega=(D+\omega L)^{-1}\bigl[(1-\omega)D-\omega U\bigr]

则收敛判据是

\rho(T_\omega)<1,

其中 $\rho(\cdot)$ 为谱半径。

最常用的充分条件

系数矩阵 $A$	SOR 收敛所需的 $\omega$ 条件
对称正定 (SPD)	$0<\omega<2$ 必收敛
严格或不可约对角占优	$0<\omega<2$ 必收敛
一般非奇异矩阵	仍需 $\rho(T_\omega)<1$ ；若 Gauss-Seidel 已收敛（ $\rho(T_{GS})<1$ ），则只要 $0<\omega<2$ 也会收敛

直观地说， $\omega=1$ 退化为 Gauss-Seidel；
$\omega\in(0,1)$ 为欠松弛（Under-relaxation）；
$\omega\in(1,2)$ 为过松弛（Over-relaxation）。
当 $\omega\ge 2$ 时谱半径一定 $\ge1$ ，因此不可能收敛。

最优松弛因子（对 SPD）

若 $A$ 为 SPD，令 $\rho_{GS}=\rho(T_{GS})$ （Gauss-Seidel 的谱半径），则理想 $\omega$ 为

\boxed{\;\omega_{\text{opt}}=\frac{2}{1+\sqrt{1-\rho_{GS}^2}}\;} , \qquad 1<\omega_{\text{opt}}<2.

在实践中难以直接求 $\rho_{GS}$ ，常用经验或试探搜索得到近似最优 $\omega$ 。对于离散椭圆型偏微分方程（如五点差分的泊松方程），经典近似

\omega_{\text{opt}}\approx\frac{2}{1+\sin(\pi h)}

（ $h$ 为网格步长）常被使用。

小结

核心记忆点：只要 $A$ 是 SPD 或严格对角占优（或更一般的 M-矩阵）， $0<\omega<2$ 即可保证 SOR 收敛。
判断本质：看谱半径 $\rho(T_\omega)$ 。
调优： $\omega$ 取 1 得到 Gauss-Seidel；合适地取 $\omega\in(1,2)$ 往往可显著加速收敛。

如需进一步推导或实例演示（例如具体矩阵上比较不同 $\omega$ 的迭代次数），随时告诉我！

Answer 3

第 6 题：判定是否为三次样条函数

三次样条函数的判定要点

在给定节点处（断点）函数本身 $f$ 、一阶导数 $f'$ 、二阶导数 $f''$ 都必须连续；

各分段多项式次数 $\le 3$ 。

题号	断点处需检验	结论	主要理由
(1) $f(x)=\begin{cases}0,&-1\le x<0\\ x^{3},&0\le x<1\\ x^{3}+(x-1)^{2},&1\le x\le 2\end{cases}$	$x=0,\;1$	否	在 $x=1$ 处
$\;f''_{左}=6,\;f''_{右}=8$ ，二阶导数不连续，违背 $C^{2}$ 要求
(2) $f(x)=\begin{cases}x^{3}+2x+1,&-1\le x<0\\ 2x^{3}+2x+1,&0\le x\le 1\end{cases}$	$x=0$	是	$f,\;f',\;f''$ 在 $x=0$ 均连续，且每段次数 $\le 3$

二、确定等距节点二次插值的步长 $h$

要在 $[-2,2]$ 上用二次插值近似 $f(x)=e^{-x}$ ，要求最大误差

|f(x)-p_2(x)|\le 10^{-6}\quad(\forall\,x\in[-2,2]).

误差公式（Lagrange 形式）
对等距节点 $x_0-h,\;x_0,\;x_0+h$ （步长 $h$ ）
$f(x)-p_2(x)=\frac{f^{(3)}(\xi)}{3!}\,(x-x_0+h)(x-x_0)(x-x_0-h),\quad\xi\in(x_0-h,x_0+h).$
三阶导数及其最大值
$f^{(3)}(x)=-e^{-x},\quad |f^{(3)}(x)|=e^{-x}\le e^{2}\quad(x\in[-2,2]).$
记 $M=e^{2}\approx 7.389$ .
乘积项的最大绝对值
令 $t=x-x_0\in[-h,h]$ ，则
$P(t)=t(t+h)(t-h)=t^3-th^2.$
$|P(t)|$ 在 $t=\pm h/\sqrt{3}$ 处取最大值
$|P_{\max}|=\frac{2h^{3}}{3\sqrt{3}}.$
误差上界
$|f(x)-p_2(x)|\le \frac{M}{6}\cdot\frac{2h^{3}}{3\sqrt{3}} =\frac{M\,h^{3}}{9\sqrt{3}}.$
令误差 $\le10^{-6}$ 求 $h$
$\frac{e^{2}h^{3}}{9\sqrt{3}}\le10^{-6} \;\Longrightarrow\; h\le\left(\frac{10^{-6}\cdot 9\sqrt{3}}{e^{2}}\right)^{\!1/3} \approx 1.28\times10^{-2}.$

答：
要使二次插值误差不超过 $10^{-6}$ ，等距节点的步长应取
$\boxed{h\;\le\;0.0128\;(\text{约})}.$

在 $[-2,2]$ 上这相当于需约 $4/h\approx313$ 个节点。

Answer 4

4 （Hermite–插值余项）

已知

结点： $x_0 < x_1 < x_2 < x_3$ ，
要求： $p(x_j)=f(x_j)\;(j=0,1,2,3), \qquad p'(x_1)=f'(x_1),$
且 $f\in C^{3}([x_0,x_3])$ .

这是 一次对 $x_1$ 做一阶导数条件的 Hermite 插值。
各结点的重数

m_{x_0}=1,\;m_{x_1}=2,\;m_{x_2}=1,\;m_{x_3}=1 \quad\Longrightarrow\quad m=\sum m_i = 5 .

对任意 $x\in [x_0,x_3]$ ，余项由一般 Hermite 公式给出：

\boxed{\,E(x)=f(x)-p(x)=\dfrac{f^{(5)}(\xi)}{5!}\, (x-x_0)\,(x-x_1)^{2}\,(x-x_2)\,(x-x_3)},\qquad \xi=\xi(x)\in(x_0,x_3).

5 （Romberg / 龙贝格积分）

要求计算

I=\int_{1}^{3}\frac{1}{x}\,dx=\ln 3\approx 1.0986122887,

并把结果保留 小数点后 4 位。

Romberg 法从复合梯形公式 $T(h)$ 开始，不断把步长 $h$ 减半并用 Richardson 外推

R_{k,j}=\frac{4^{j}R_{k,j-1}-R_{k-1,j-1}}{4^{j}-1}\quad(j=1,\dots ,k)

生成递推表。下表列出前 5 层对角线（已足够 4 位精度）：

层 $k$	$h=(b-a)/2^{k-1}$	$R_{k,1}$	$R_{k,2}$	$R_{k,3}$	$R_{k,4}$	$R_{k,5}$
1	2	1.333333333	–	–	–	–
2	1	1.166666667	1.111111111	–	–	–
3	0.5	1.116666667	1.100000000	1.099259259	–	–
4	0.25	1.103210678	1.098725349	1.098640372	1.098630548	–
5	0.125	1.099767702	1.098620043	1.098613022	1.098612588	1.098612290

两条对角线间的差从第 4 层起已小于 $5\times10^{-5}$ ，满足“四位小数”要求；再算一层作确认，得

I \approx 1.0986\,(\text{四舍五入保留 4 位小数}).

最终结果

\int_{1}^{3}\frac{1}{x}\,dx \;\approx\; \boxed{1.0986}.

（若继续迭代，Romberg 值 $R_{5,5}=1.0986122900$ 与精确值 $\ln 3$ 的误差仅 $1.4\times10^{-9}$ 。）

Answer 5

Romberg 积分法是一种用于数值积分的迭代方法，旨在提高复合数值积分法（如复合梯形法）的精度。它通过不断加密和外推计算结果，可以快速逼近较高阶的数值积分精度。以下是 Romberg 积分法的详细解释和步骤：

原理和步骤

基本思路： Romberg 积分法的核心思想是通过反复增加步长的方式提高数值积分的精度。它结合了 Richardson 外推法和复合数值积分法的优点，能够有效地提高收敛速度和减小误差。
复合数值积分法： Romberg 积分法起始于最简单的复合数值积分方法，比如复合梯形法。复合梯形法的公式如下：
$T(h) = \frac{h}{2} \left[ f(a) + 2 \sum_{i=1}^{n-1} f(a + ih) + f(b) \right],$
其中 $h = \frac{b - a}{n}$ 是步长， $n$ 是分割区间的数量， $f(x)$ 是被积函数。
Romberg 表格构建：
- 第一层 $R_{1,1}$ ：使用最初的复合梯形法计算 $T(h)$ 。
- 第二层 $R_{2,1}$ ：将步长缩小为 $h/2$ ，计算 $T(h/2)$ 。 $R_{2,1} = T(h/2).$
- 逐层递推：对于第 $k$ 层，步长为 $h_k = \frac{b-a}{2^{k-1}}$ ，计算 $T(h_k)$ 。然后通过 Richardson 外推公式计算更高阶的近似值： $R_{k,j} = \frac{4^{j-1} R_{k,j-1} - R_{k-1,j-1}}{4^{j-1} - 1}, \quad \text{for } j = 1, 2, \dots, k,$ 其中 $R_{k,j}$ 表示第 $k$ 层、第 $j$ 列的 Richardson 外推值。
精度提升：
- 随着层数 $k$ 的增加，Romberg 表格的对角线上的值 $R_{k,k}$ 收敛到更高的数值积分精度。
- 每增加一层，数值积分的精度大致提高一个阶级。
停止条件：
- 通常情况下，可以设定一个预定的最大层数 $K$ ，或者当连续两层的结果之差小于某个预定的容差时停止迭代。

实例演示

假设要计算积分 $I = \int_{a}^{b} f(x) \, dx$ ，我们可以使用 Romberg 积分法来逼近积分值。以下是一个具体的步骤和示例表格：

假设要计算 $\int_{1}^{3} \frac{1}{x} \, dx$ ，即 $I = \ln 3$ 。

层 $k$	步长 $h_k$	$R_{k,1}$	$R_{k,2}$	$R_{k,3}$	$R_{k,4}$	$R_{k,5}$
1	2	1.3333333333	-	-	-	-
2	1	1.1666666667	1.1111111111	-	-	-
3	0.5	1.1166666667	1.1000000000	1.0992592593	-	-
4	0.25	1.1032106782	1.0987253496	1.0986403719	1.0986305483	-
5	0.125	1.0997677020	1.0986200428	1.0986130216	1.0986125879	1.0986122898

通过 Romberg 积分法，我们可以看到在第 5 层时，积分值 $R_{5,5}$ 已经接近 $\ln 3$ ，并且满足了四位小数的精度要求。

总结

Romberg 积分法是一种有效提高数值积分精度的方法，特别适合在需要高精度结果时使用。它结合了数值积分的复合方法和 Richardson 外推法，能够快速、有效地逼近积分值，并通过建立迭代表格的方式直观地展示计算过程和结果。

Answer 6

递推原理如下：

步骤和背景：
- Romberg 积分法通过逐步加密步长 $h_k = \frac{b-a}{2^{k-1}}$ 的方式来提高数值积分的精度。
- 对于每一层 $k$ ，通过复合数值积分（比如复合梯形法）计算积分近似值 $T(h_k)$ 。
Richardson 外推公式：
- 一旦计算出当前步长 $h_k$ 下的积分近似 $R_{k,1} = T(h_k)$ ，就可以使用 Richardson 外推公式来计算更高阶的积分近似值。
- 对于第 $k$ $k$ 层的第 $j$ $j$ 列，Richardson 外推公式如下： $R_{k,j} = \frac{4^{j-1} R_{k,j-1} - R_{k-1,j-1}}{4^{j-1} - 1},$ 其中 $R_{k,j}$ $R_{k, j}$ 表示第 $k$ $k$ 层、第 $j$ $j$ 列的 Richardson 外推值。
  - $R_{k,j-1}$ 是第 $k$ 层上一列（更低阶）的值。
  - $R_{k-1,j-1}$ 是第 $k-1$ 层相同列的值。
递推过程：
- 从 $j = 1$ 开始，逐步计算每一列的 Richardson 外推值。
- 每一列的 Richardson 外推值 $R_{k,j}$ 可以看作是用更高阶的复合数值积分法计算得到的积分近似值。
- 随着 $j$ 的增加，积分近似的精度逐渐提高，直到达到预定的精度要求或者递推到最大的阶数 $k$ 。
优势和应用：
- Romberg 积分法结合了复合数值积分和 Richardson 外推法的优势，能够快速逼近较高阶的数值积分精度。
- 递推表格的结构清晰，能够直观展示不同阶数下的积分近似值，便于分析和比较。
- 对于需要高精度数值积分的场合，Romberg 积分法是一种高效且广泛应用的方法。

通过递推和外推，Romberg 积分法能够有效地提高数值积分的精度，是数值分析中常用的重要技术之一。

Answer 7

Richardson 外推公式是由数学家 Lewis Fry Richardson 在20世纪早期提出的一种数值方法，用于提高数值逼近的精度。它的基本思想是通过组合多个数值近似值，以消除低阶误差项，从而获得更高阶的数值逼近。以下是 Richardson 外推公式的基本推导思路和原理：

推导思路

基本形式： Richardson 外推法适用于一般形式的数值逼近公式。假设我们有一个数值近似方法 $R(h)$ ，其中 $h$ 是步长或参数，如复合数值积分法中的步长。
数值逼近的一般形式：假设我们希望通过某种数值方法计算某个量 $I$ ，其精确值为 $I^*$ 。我们的数值逼近 $R(h)$ 可以写成：
$R(h) = I^* + c_1 h^p + c_2 h^{p+1} + \cdots$
其中 $c_1, c_2, \ldots$ 是常数， $p$ 是数值方法的收敛阶。
Richardson 外推的思想：
- 我们可以通过组合不同步长下的数值逼近值，消除 $h^p$ 阶及以下的项，从而得到更高阶的逼近值。
- 假设我们有两个不同步长 $h_1$ 和 $h_2$ 下的数值逼近值： $R_1 = I^* + c_1 h_1^p + c_2 h_1^{p+1} + \cdots$ $R_2 = I^* + c_1 h_2^p + c_2 h_2^{p+1} + \cdots$
- Richardson 外推的核心思想是通过适当的线性组合消除 $h^p$ 阶及以下的项，得到更高阶的数值逼近： $R^* = \frac{4^0 R_2 - R_1}{4^0 - 1}$
推广到更高阶：
- 对于更高阶的 Richardson 外推，可以类似地使用更多的数值逼近值和更复杂的线性组合，以消除更低阶的误差项，得到更高阶的数值逼近值。
应用和特点：
- Richardson 外推法不仅适用于数值积分，还广泛用于解微分方程、数值微分等问题中。
- 它的优点是简单易行，可以显著提高数值方法的精度，特别是在要求高精度的科学计算和工程计算中，有重要应用价值。

Richardson 外推公式的推导基于上述基本思路，通过合理的数值逼近组合和线性组合，有效地消除低阶误差项，从而获得更高阶的数值逼近结果。

Answer 8

看起来您刚刚只发送了一个符号「、」，可能是意外输入。
如果您还想进一步了解 Richardson 外推公式的推导步骤、误差消除原理，或是想看一个具体的推导示范，请告诉我！

Answer 9

下面给出 “四节点、一重导条件” Hermite 插值余项 的完整推导。
记节点

x_0<x_1<x_2<x_3,\qquad f\in C^3\bigl([x_0,x_3]\bigr),

要求次数 ≤ 4 的多项式 $p(x)$ 使

\boxed{\;p(x_j)=f(x_j)\;(j=0,1,2,3),\qquad p'(x_1)=f'(x_1)\; } \tag{1}

1. 互异—重节点计数

$x_0,x_2,x_3$ ：各出现一次
$x_1$ ：出现两次（函数值、导数）

因此“带重节点”的 节点表 为

x_0,\;x_1,\;x_1,\;x_2,\;x_3

共有 $1+2+1+1=5$ 条独立条件，所以插值多项式次数最多为 $4$ ，且唯一存在（Hermite 定理）。

2. 写出 Hermite 插值多项式（略）

若仅关心余项，可直接利用高阶带重结点的差商理论；
下面用更直观的 Rolle-连用法来推导余项公式。

3. 余项推导（一系列罗尔定理）

设

E(x)=f(x)-p(x).

由 (1) 可知

节点处	$E$ 情况
$x_0$	$E(x_0)=0$
$x_1$	$E(x_1)=0,\quad E'(x_1)=0$
$x_2$	$E(x_2)=0$
$x_3$	$E(x_3)=0$

目的： 证明
$E(x)=\frac{f^{(5)}(\xi)}{5!}\,(x-x_0)(x-x_1)^2(x-x_2)(x-x_3),\qquad \xi\in(x_0,x_3). \tag{2}$

第一步置零结构

令

\phi(t)= (t-x_0)(t-x_1)^2(t-x_2)(t-x_3).

显然 $\phi$ 与 $E$ 在四个节点（含重数）有相同的零结构。

第二步构造“误差比值”函数

定义

F(t)=\frac{E(t)}{\phi(t)},\qquad t\ne x_0,x_1,x_2,x_3.

由于 $E,\phi\in C^3$ 且零的重数匹配， $F(t)$ 在整个闭区间 $[x_0,x_3]$ 连续，在开区间可微。

第三步 4 次连用 Rolle

下面每一次都利用“在闭区间上两端点等值 ⇒ 存在内部导数为 0 的点”这一经典结论。

$E$ 的 1 次零列
- $E(x_0)=E(x_1)=0$ ⇒ ∃ $\xi_1$ 使 $E'(\xi_1)=0$ .
- 重复对各相邻零区间，最终可找 4 个点使 $E^{(4)}(\xi_4)=0,$ 但这种操作跟踪不便。我们改用带重点差商等价于高阶导数的简洁结论。

更简证法：高阶差商

带重节点的五阶差商

f[x_0,x_1,x_1,x_2,x_3,x]

在 $x\ne x_j$ 时可写为

\frac{E(x)}{(x-x_0)(x-x_1)^2(x-x_2)(x-x_3)}.

而根据差商与高阶导数的等价（Peano 形式）

f[x_0,x_1,x_1,x_2,x_3,x] =\frac{f^{(5)}(\xi)}{5!},\qquad \xi\in(x_0,x_3).

整理即得 (2)。

4. 最终余项公式

\boxed{\; E(x)=f(x)-p(x)=\frac{f^{(5)}(\xi)}{5!}\, (x-x_0)(x-x_1)^{2}(x-x_2)(x-x_3), \qquad \xi=\xi(x)\in(x_0,x_3) \;}

乘积因子对应节点的重数（x₁ 两次）。
分母阶数 $5!$ ：节点总重数 $5$ ⇒ 取 5 阶导数。
$\xi(x)$ 由柯西形式保证，通常不可显式给出。

这便是满足条件 (1) 的四次 Hermite 插值多项式的误差项。若需实际构造 $p(x)$ ，可用 Hermite 基函数或差商表法；但无论形式如何，只要满足 (1)，其余项都符合上式。

Answer 10

可以，用待定系数法完全能把这个“四节点-一次导数” Hermite 插值题做到底；只是计算量比用差商表大得多。下面给出一个流程示范，让你看到每一步都能落到纸面上。

1 设多项式并列出五个条件

为了少出现高次项，先把多项式写成以 $x_1$ 为中心的移位形式

p(x)=A+B\,(x-x_1)+C\,(x-x_1)^2+D\,(x-x_1)^3+E\,(x-x_1)^4, \qquad\deg p\le4 .

共有 5 个未知系数 $A,B,C,D,E$ ，正好与题给的 5 个条件相匹配：

条件	代入 $p$ 后得到的方程
$p(x_0)=f(x_0)$	$A+B\Delta_0 +C\Delta_0^2+D\Delta_0^3+E\Delta_0^4=f(x_0)$
$p(x_1)=f(x_1)$	$A = f(x_1)$
$p'(x_1)=f'(x_1)$	$B = f'(x_1)$
$p(x_2)=f(x_2)$	$A+B\Delta_2 +C\Delta_2^2+D\Delta_2^3+E\Delta_2^4=f(x_2)$
$p(x_3)=f(x_3)$	$A+B\Delta_3 +C\Delta_3^2+D\Delta_3^3+E\Delta_3^4=f(x_3)$

这里记

\Delta_j=x_j-x_1,\qquad j=0,2,3 .

把第二、三条直接写进去后，未知量只剩 $C,D,E$ ：

\begin{cases} C\Delta_0^2+D\Delta_0^3+E\Delta_0^4=f(x_0)-f(x_1)-f'(x_1)\Delta_0,\\[2pt] C\Delta_2^2+D\Delta_2^3+E\Delta_2^4=f(x_2)-f(x_1)-f'(x_1)\Delta_2,\\[2pt] C\Delta_3^2+D\Delta_3^3+E\Delta_3^4=f(x_3)-f(x_1)-f'(x_1)\Delta_3. \end{cases}

这就是一个 3×3 线性方程组，解出 $C,D,E$ 即得插值多项式。

在纸笔计算里你会把右端写成 $\tilde f_j:=f(x_j)-f(x_1)-f'(x_1)\Delta_j$ ，然后用克拉默法则或高斯消元求 $C,D,E$ 。数值上也完全可行，只是符号表达会比较长。

2 用待定系数法同样能写出误差因子

构造误差函数

E(x)=f(x)-p(x).

由插值条件知

E(x_0)=E(x_1)=E'(x_1)=E(x_2)=E(x_3)=0 .

于是

E(x)=(x-x_0)(x-x_1)^2(x-x_2)(x-x_3)\,Q(x),

其中 $Q(x)$ 连续可导。为了确定 $Q$ 在区间内的取值，只需再做一次 罗尔-柯西链式论证（或直接引用带重节点的差商-泰勒定理）：

Q(x)=\frac{f^{(5)}(\xi)}{5!},\qquad \xi=\xi(x)\in(x_0,x_3),

从而得到与前面一致的余项

\boxed{\,f(x)-p(x)=\dfrac{f^{(5)}(\xi)}{5!}\, (x-x_0)(x-x_1)^2(x-x_2)(x-x_3).}

3 小结：什么时候选“待定系数”？

方法	优点	缺点
待定系数	思路直接、代数课背景就能做；数值实现简单	方程组随节点数迅速膨胀，难以手动写出简洁显式公式
差商/Hermite 基函数	能写出结构化基函数，误差项一眼可见；适合推导一般公式	需要掌握差商或 Peano 形式，第一次接触稍抽象

本题节点只有 4 个（含一个重节点），所以待定系数法完全可行；若节点更多（如三次样条几十个节点），就必须用差商或矩阵写法而不能手工列方程了。

Answer 11

下面用 Hermite 基函数 把满足

p(x_j)=f(x_j)\quad(j=0,1,2,3), \qquad p'(x_1)=f'(x_1)

的四次多项式 $p(x)$ 写成显式组合。

1 先准备 4 个拉格朗日基函数

对互异节点 $x_0,x_1,x_2,x_3$ 设

\ell_i(x)= \prod_{\substack{k=0\\k\ne i}}^{3} \frac{x-x_k}{x_i-x_k}, \qquad i=0,1,2,3 .

它们满足

\ell_i(x_j)=\delta_{ij},\qquad i,j=0,1,2,3 .

2 针对 “只在 $x_1$ 给一阶导” 构造 5 个 Hermite 基函数

目标：

对于函数值节点，要有 $H_i(x_j)=\delta_{ij}$ 且 $H_i'(x_1)=0$ ；

对于导数节点，要有 $H_{1,1}(x_1)=0,\;H_{1,1}'(x_1)=1$ 。

2.1 其他三个普通节点 $(i=0,2,3)$

直接取 平方型

H_i(x)=\ell_i(x)^2 ,\qquad i=0,2,3.

检验

$H_i(x_j)=\ell_i(x_j)^2=\delta_{ij}$ .
导数： $H_i'(x_1)=2\ell_i(x_1)\ell_i'(x_1)=0$ （因为 $\ell_i(x_1)=0,\;i\ne1$ ).

2.2 节点 $x_1$ 的函数值基函数

先记

\lambda=\ell_1'(x_1)=\frac{d}{dx}\ell_1(x)\Big|_{x=x_1} =\sum_{k\ne1}\frac{1}{x_1-x_k}.

定义

H_{1,0}(x)=\Bigl[\,1-2\lambda\,(x-x_1)\Bigr]\,\ell_1(x)^{2}.

检验

\begin{aligned} H_{1,0}(x_1)&=(1-0)\cdot1^{2}=1,\\ H_{1,0}(x_j)&=0\quad(j\ne1)\ \text{(因 }\ell_1(x_j)=0),\\ H_{1,0}'(x_1)&=-2\lambda\,\ell_1(x_1)^2 +\bigl[1-0\bigr]\cdot2\ell_1(x_1)\ell_1'(x_1)=0. \end{aligned}

2.3 节点 $x_1$ 的导数基函数

H_{1,1}(x)=(x-x_1)\,\ell_1(x)^{2}.

检验

H_{1,1}(x_1)=0,\qquad H_{1,1}'(x_1)=\ell_1(x_1)^2=1.

3 组装 Hermite 插值多项式

\boxed{ \begin{aligned} p(x)=\; & f(x_0)\,H_{0}(x) + f(x_1)\,H_{1,0}(x) + f'(x_1)\,H_{1,1}(x)\\ &+ f(x_2)\,H_{2}(x) + f(x_3)\,H_{3}(x), \end{aligned}}

其中

\begin{cases} H_{0}(x)=\ell_0(x)^2,\\[2pt] H_{1,0}(x)=\bigl[1-2\lambda(x-x_1)\bigr]\ell_1(x)^2,\qquad \lambda=\displaystyle\sum_{k\ne1}\frac{1}{x_1-x_k},\\[6pt] H_{1,1}(x)=(x-x_1)\ell_1(x)^2,\\[4pt] H_{2}(x)=\ell_2(x)^2,\\[2pt] H_{3}(x)=\ell_3(x)^2. \end{cases}

4 性质验证一览

基函数	在 $x_j$ 的函数值	在 $x_1$ 的导数
$H_0$	$H_0(x_0)=1$ , 其余 0	$H_0'(x_1)=0$
$H_{1,0}$	$H_{1,0}(x_1)=1$ , 其余 0	$H_{1,0}'(x_1)=0$
$H_{1,1}$	全部 0	$H_{1,1}'(x_1)=1$
$H_2$	$H_2(x_2)=1$ , 其余 0	$H_2'(x_1)=0$
$H_3$	$H_3(x_3)=1$ , 其余 0	$H_3'(x_1)=0$

因此 $p(x)$ 同时满足五条插值条件，次数不超过 4；若把 $f(x_j),f'(x_1)$ 代入即可得到具体多项式。

备注

实现：给定具体节点与数据，只需先算出 $\ell_i(x)$ 与 $\lambda$ ，再套入上式即可。
误差项：仍为 $f(x)-p(x)=\dfrac{f^{(5)}(\xi)}{5!}(x-x_0)(x-x_1)^2(x-x_2)(x-x_3), \qquad\xi\in(x_0,x_3).$
扩展：若还有其他节点需要导数值，只需对每个重节点复制上述 $H_{k,0},H_{k,1}$ 结构即可。

Answer 12

确实，我前面直接把 $\ell_i(x)^2$ 当作基函数，导致次数飙到了 $6$ 。
下面给出 真正最多四次 的 Hermite 基函数构造，并写出插值多项式 $p(x)$ 。

1 符号记号

x_0<x_1<x_2<x_3,\qquad \Delta_{ij}=x_i-x_j .

把

L(x)=\prod_{k=0}^{3}(x-x_k) =(x-x_0)(x-x_1)(x-x_2)(x-x_3), \qquad L'(x_1)=\prod_{\substack{k=0\\k\ne 1}}^{3}\Delta_{1k}.

2 五个次数 ≤4 的 Hermite 基函数

(1) 节点 $x_1$ 的导数基函数

H_{1,1}(x)=\frac{L(x)}{L'(x_1)} =\frac{(x-x_0)(x-x_1)(x-x_2)(x-x_3)} {\Delta_{10}\,\Delta_{12}\,\Delta_{13}}

$H_{1,1}(x_1)=0,\;H_{1,1}'(x_1)=1$
在其余三个节点取值 0
次数 4

(2) 只含函数值的节点 $x_0,x_2,x_3$

为了让它们在 $x_1$ 处导数也为 0，额外乘 $(x-x_1)^2$ ：

\boxed{ \begin{aligned} H_0(x)&=\frac{(x-x_1)^2(x-x_2)(x-x_3)} {(\Delta_{01})^2\Delta_{02}\Delta_{03}},\\[4pt] H_2(x)&=\frac{(x-x_1)^2(x-x_0)(x-x_3)} {(\Delta_{21})^2\Delta_{20}\Delta_{23}},\\[4pt] H_3(x)&=\frac{(x-x_1)^2(x-x_0)(x-x_2)} {(\Delta_{31})^2\Delta_{30}\Delta_{32}}. \end{aligned}}

$H_i(x_i)=1,\;H_i(x_j)=0\;(j\neq i)$
$H_i'(x_1)=0$ （因为有 $(x-x_1)^2$ ）
次数 4

(3) 节点 $x_1$ 的函数值基函数

直接取

H_{1,0}(x)=1-H_0(x)-H_2(x)-H_3(x).

$H_{1,0}(x_1)=1$ ，其他节点为 0
因 $H_0',H_2',H_3'$ 在 $x_1$ 都为 0，故 $H_{1,0}'(x_1)=0$
仍是次数 ≤ 4，因为它只是一组四次多项式的线性组合

3 Hermite 插值多项式（次数 ≤4）

\boxed{ \begin{aligned} p(x)=&\;f(x_0)\,H_0(x)\;+\;f(x_1)\,H_{1,0}(x)\;+\;f'(x_1)\,H_{1,1}(x)\\ &\;+\;f(x_2)\,H_2(x)\;+\;f(x_3)\,H_3(x). \end{aligned}}

检验：

条件	由基函数保证
$p(x_j)=f(x_j)\;\;(j=0,1,2,3)$	每个 $H$ 在其节点取 1，其余 0
$p'(x_1)=f'(x_1)$	只有 $H_{1,1}$ 的导数在 $x_1$ 为 1，其余基函数导数均为 0

因此 $p(x)$ 满足题设五条插值条件，且最高次数 $=4$ 。

4 误差项（供参考）

由于总条件数为 $5$ ，余项必含五阶导数：

f(x)-p(x)=\frac{f^{(5)}(\xi)}{5!}\,(x-x_0)(x-x_1)^2(x-x_2)(x-x_3), \qquad\xi=\xi(x)\in(x_0,x_3).

这样既保住了 Hermite 基函数的结构，也严格把次数控制在四次以内。

Answer 13

Brent 方法概览

Brent 方法（Brent–Dekker algorithm）是一种 无导数、一维方程根 $f(x)=0$ 求解算法，由 Richard Brent 在 1971 年提出。
它把三种思想——

组成成分	作用	特点
二分法（bisection）	保证区间始终包根	线性收敛，稳但慢
弦截法（secant）	用两点作直线求根	超线性，需函数连续
反二次插值（inverse quadratic interpolation, IQI）	用三点作二次曲线求根	理论阶 ≈ 1.84，更快

——智能地揉在一起，既保持二分法的全局收敛保证，又拥有拟牛顿法级别的速度。SciPy brentq/brent、GNU GSL、Boost Math 等库的默认一维根求解器均基于该算法。

1 输入与目标

已知连续函数 $f$ ；
给定区间 $[a,b]$ ，满足 $f(a)\,f(b)<0$ （即存在唯一实根）；
误差容限 $\varepsilon$ 。

目标：返回近似根 $x^\star$ ，使 $|f(x^\star)|\le\varepsilon$ 或 $|b-a|\le\varepsilon$ 。

2 关键变量

变量	含义
$a,b$	当前包根端点，始终满足 $f(a)f(b)<0$ ；规定 $
$c$	上一次的另一端点（保证仍与 $b$ 异号），用来回退
$s$	用插值/弦截法得到的新候选点
$d$	上一步的移动距离，辅助判断收敛与切换策略

3 核心步骤（伪代码）

text
while |f(b)| > ε and |b-a| > ε:
    1. 若 f(a) 与 f(b) 同号 ⇒ 令 a ← c, fa ← fc,  更新 c ← b, fc ← fb
    2. 保证 |fa| > |fb|，若否则交换 a,b  (这样 b 总是“最优估计”)
    3. 选择插值方式求 s
       if a == c:            # 只有两点 → 弦截法
            s = b - fb*(b-a)/(fb-fa)
       else:                 # 三点 → 反二次插值
            s = IQI(a,fa, b,fb, c,fc)
    4. **可接受性检查**：
         • s 不在 ( (3a+b)/4 , b ) 内 —— 离区间太近回退
         • 或(二次迭代后) |s-b| ≥ |b-c|/2 —— 收敛减慢
         • 或|b-c| < ε —— 区间已够小
       若任何条件触发 → s = (a+b)/2   # 二分法退守
    5. 计算 fs = f(s)，更新 c ← a, a ← b, fc ← fa, fa ← fb, b ← s, fb ← fs

插值公式

弦截法： $s = b - f(b)\dfrac{b-a}{f(b)-f(a)}$
反二次插值：利用三点 $(a,fa),(b,fb),(c,fc)$ 构造 $f^{-1}$ 的二次多项式，再求其在 0 处的值；显式公式可见 Brent 原论文或数值分析教材。

4 收敛性与复杂度

性质	说明
保证收敛	因始终维持二分法包根区间，只要 $f$ 连续，就必可在有限步内把区间压到 $\varepsilon$
最坏 O(log (1/ε))	若频繁回退为二分，退化为线性收敛
平均阶 >1	反二次插值理论阶 $\approx1.84$ ，综合速度常被视为“超线性”级别
无需导数	对尖峰、不可微函数更稳健；对平滑函数仍极快

与其他算法比较：

方法	是否需导数	全局收敛	阶	典型用例
牛顿	要 $f'$	否	2	光滑、初值好
弦截	否	否	1.62	光滑、初值好
二分	否	是	1	任意连续
Brent	否	是	$\ge1$ （通常 ≈ 1.6–1.8）	推荐默认选择

5 实际使用小贴士

起始区间：必须先找到符号相反的 $a,b$ 。通常用扫描或自举扩大区间的策略。
实现：
- Python SciPy: scipy.optimize.brentq(f,a,b) 或 brent(f, a, b)
- C/Fortran: GSL gsl_root_fsolver_brent，Boost brent_find_root
多根/间断：若区间含多个根或 $f$ 不连续，算法仍收敛到某一根，但不可保证是哪一个。
性能调参：容差 xtol, rtol, maxiter 可根据问题规模调整。

小结

Brent 方法是 “稳健 + 高效” 的典范：在任何连续函数上都能像二分法那样可靠收敛，却往往只需少量函数评估即可达到牛顿级精度。因而在现代科学计算库中几乎都是一维无导数求根的默认首选。

Answer 14

设

E(x)=f(x)-p_2(x)=\frac{f^{(3)}(\xi)}{3!}\,(x-x_0)(x-x_1)(x-x_2),\qquad \xi=\xi(x)\in[0,1].

因为 $f(x)=e^{x}\Rightarrow f^{(3)}(x)=e^{x}$ ，在 $[0,1]$ 上

0<e^{x}\le e,\qquad M:=\max_{[0,1]}|f^{(3)}|=e .

要估计（或最小化）最大误差

\|E\|_{\infty}=\max_{x\in[0,1]}|E(x)| \le \frac{M}{6}\; \max_{x\in[0,1]} \bigl| (x-x_0)(x-x_1)(x-x_2)\bigr|.

(1) 固定节点 $0,\;1/2,\;1$

\phi(x)=x\Bigl(x-\tfrac12\Bigr)\Bigl(x-1\Bigr).

极值点由 $\phi'(x)=0$ 得

x=\frac{1\pm\sqrt{3}}{6}\approx 0.2113,\;0.7887, \qquad |\phi|_{\max}=|\phi(0.2113)|=|\phi(0.7887)| =\frac{\sqrt3-1}{12}\approx0.0481125.

于是

\boxed{\;|f(x)-p_2(x)|\le \dfrac{e}{6}\,0.0481125\; \approx2.18\times10^{-2}.}

（用数值验算可得实际最大误差约 $1.44\times10^{-2}$ ，落在上界之内。）

(2) 三节点怎样摆放可使误差最小？

为了让

\max_{x\in[0,1]}\bigl|(x-x_0)(x-x_1)(x-x_2)\bigr|

最小，应当把节点取为 一次 Chebyshev 极值点的线性映射。
在 $[-1,1]$ 上的三点（度 2）为

t_0=-\cos\frac{\pi}{6}= -\tfrac{\sqrt3}{2},\; t_1=0,\; t_2=\cos\frac{\pi}{6}=\tfrac{\sqrt3}{2}.

映射 $x=\tfrac{t+1}{2}$ 到 $[0,1]$ 得

\boxed{ x_0=\tfrac{1-\sqrt3/2}{2}\approx0.066987,\; x_1=\tfrac12,\; x_2=\tfrac{1+\sqrt3/2}{2}\approx0.933013}.

此时

\phi^{\ast}(x)= (x-x_0)(x-x_1)(x-x_2)= \frac{1}{8}\,t\Bigl(t^2-\tfrac34\Bigr),\qquad t=2x-1,

而在 $[-1,1]$ ， $|t(t^2-\tfrac34)|_{\max}= \tfrac14$ （达于两端）。
故

\max_{x\in[0,1]}|\phi^{\ast}(x)|=\frac14\!\times\!\frac18=\frac1{32}=0.03125.

于是

\boxed{\; \|E\|_{\infty}\le\frac{e}{6}\cdot\frac1{32} =\frac{e}{192}\approx1.42\times10^{-2}.}

数值计算表明用这组三节点对 $e^{x}$ 的实际最大误差约
$9.87\times10^{-3}$ ，比等距节点显著减小，且确已落在上式最小上界内。

問題

回答

对角占优矩阵的性质：

例子：

問題

思考

Explaining SOR convergence

回答

最常用的充分条件

最优松弛因子（对 SPD）

小结

問題

Python

Python

Python

Python

思考

Reviewing error formula

回答

二、确定等距节点二次插值的步长 hhh

問題

Python

Python

思考

Verifying final result

回答

4 （Hermite–插值余项）

5 （Romberg / 龙贝格积分）

問題

回答

原理和步骤

实例演示

总结

問題

逐层递推：对于第 k k 层，步长为 h k

b − a 2 k − 1 h k ​

b−a ​ ，计算 T ( h k ) T(h k ​ )。然后通过 Richardson 外推公式计算更高阶的近似值： R k , j

4 j − 1 R k , j − 1 − R k − 1 , j − 1 4 j − 1 − 1 , for j

1 , 2 , … , k , R k,j ​

回答

問題

回答

推导思路

問題

思考

回答

問題

思考

Explaining the derivation

回答

1. 互异—重节点计数

2. 写出 Hermite 插值多项式（略）

3. 余项推导（一系列罗尔定理）

第一步 置零结构

第二步 构造“误差比值”函数

第三步 4 次连用 Rolle

更简证法：高阶差商

4. 最终余项公式

問題

思考

Explaining method of undetermined coefficients

Expl

回答

1 设多项式并列出五个条件

2 用待定系数法同样能写出误差因子

3 小结：什么时候选“待定系数”？

問題

思考

Clarifying Hermite Polynomial Expression

Deriving Hermite polynomial expressions

Constructing Hermite polynomial

回答

1 先准备 4 个拉格朗日基函数

2 针对 “只在 x1x_1x1​ 给一阶导” 构造 5 个 Hermite 基函数

2.1 其他三个普通节点 (i=0,2,3)(i=0,2,3)(i=0,2,3)

2.2 节点 x1x_1x1​ 的函数值基函数

2.3 节点 x1x_1x1​ 的导数基函数

3 组装 Hermite 插值多项式

4 性质验证一览

备注

二、确定等距节点二次插值的步长 $h$

逐层递推：对于第
k
k 层，步长为
h
k

b
−
a
2
k
−
1
h
k

b−a

，计算
T
(
h
k
)
T(h
k

)。然后通过 Richardson 外推公式计算更高阶的近似值：
R
k
,
j

4
j
−
1
R
k
,
j
−
1
−
R
k
−
1
,
j
−
1
4
j
−
1
−
1
,
for
j

1
,
2
,
…
,
k
,
R
k,j

第一步置零结构

第二步构造“误差比值”函数

2 针对 “只在 $x_1$ 给一阶导” 构造 5 个 Hermite 基函数

2.1 其他三个普通节点 $(i=0,2,3)$

2.2 节点 $x_1$ 的函数值基函数

2.3 节点 $x_1$ 的导数基函数

2 五个次数 ≤4 的 Hermite 基函数

(1) 节点 $x_1$ 的导数基函数

(2) 只含函数值的节点 $x_0,x_2,x_3$

(3) 节点 $x_1$ 的函数值基函数

(1) 固定节点 $0,\;1/2,\;1$