3. 多项式插值基础与龙格现象

在曲线重建任务中，多项式插值是最先被想到、也最容易被误用的工具。它的基本承诺很诱人：给定 n+1 个互异节点及其函数值，总能找到唯一一个次数不超过 n 的多项式穿过全部数据点。问题不在于"能不能插上"，而在于"插上之后曲线在节点之间长什么样"。本节围绕拉格朗日插值与牛顿插值两种等价构造，说明高次多项式振荡的成因，并给出工程上可落地的规避策略。

两种构造，同一个多项式

拉格朗日插值把结果写成基函数的线性组合：

L(x) = Σ y_i · ℓ_i(x)
ℓ_i(x) = Π_{j≠i} (x − x_j) / (x_i − x_j)

每个 ℓ_i(x) 在自身节点处取 1、在其余节点处取 0，因此组合后必然穿过所有数据点。它的优点是形式对称、便于理论分析；缺点是每增加一个节点，所有基函数都要重算，且没有"复用已有结果"的机制。

牛顿插值改用差商构造：

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) + …

差商表逐列递推，新增节点时只需在表尾追加一列，已有差商全部保留。这正是工程实现中优先选牛顿形式的实际原因——它天然支持增量加点。需要强调：对同一组节点，拉格朗日多项式与牛顿多项式在数学上是同一个多项式，只是书写方式不同，插值结果完全一致，不存在"牛顿更准"的说法。

高次振荡从哪里来

经典反例是龙格函数 f(x)=1/(1+25x²) 在 [−1,1] 上的等距插值。节点加密到 11 个、21 个时，区间中部逼近尚可，但靠近两端出现幅度越来越大的剧烈摆动，最大误差随节点数增加反而发散。成因可以拆成三层来看：

• 基函数本身在振荡。高次拉格朗日基函数在区间边缘会出现大幅正负交替的"瓣"，节点越密，瓣的峰值越大。
• 误差放大因子不受控。插值误差上界含一项 Π(x−x_i)，等距节点下该乘积在端点附近急剧增大，把微小的函数值扰动放大成可见摆动。
• 等距节点分布不合理。等距采样在区间中部过密、两端过疏，而多项式在端点附近恰恰最"敏感"，两者叠加导致端点误差主导。

下面的示意图对比了同一组等距节点下低次与高次插值的形态差异，以及改用切比雪夫节点后端点振荡被压制的效果。

工程规避策略

知道成因后，规避思路就清晰了。实际项目中可按以下优先级决策：

1. 控制次数，分段插值。最稳妥的做法是不追求单一高次多项式，改用分段低次插值（分段线性、分段三次）。把区间切成若干子段，每段只用 3～4 个节点，误差被限制在局部，不会出现全局振荡。这是工程曲线重建的默认选择。
2. 换节点分布。若确实需要单一高次多项式，把等距节点换成切比雪夫节点 x_k = cos((2k+1)π/(2(n+1)))，端点加密可显著压低 Π(x−x_i) 的峰值，龙格现象基本消失。
3. 改用样条。三次样条在节点处保证二阶连续，兼顾光滑性与局部性，是"既要平滑又要稳定"场景下的常用方案，代价是需要额外给出边界条件（自然边界、固定斜率或周期边界）。
4. 增量加点用牛顿形式。当数据是逐步采集、需要在线更新时，用差商表追加节点，避免每次重建全部基函数。

一个可复现的判断示例

假设在 [−1,1] 上对 f(x)=1/(1+25x²) 采样，取 11 个等距节点做拉格朗日插值。实现时可直接用差商表计算牛顿系数，再在密集网格上求值观察形态：

import numpy as np

def divided_diff(x, y):
    n = len(x); c = y.astype(float).copy()
    for j in range(1, n):
        for i in range(n-1, j-1, -1):
            c[i] = (c[i] - c[i-1]) / (x[i] - x[i-j])
    return c

def newton_eval(x, c, xq):
    n = len(x); p = np.full_like(xq, c[-1])
    for k in range(n-2, -1, -1):
        p = p * (xq - x[k]) + c[k]
    return p

x = np.linspace(-1, 1, 11)
y = 1.0 / (1.0 + 25.0 * x**2)
c = divided_diff(x, y)
xq = np.linspace(-1, 1, 401)
yq = newton_eval(x, c, xq)
print("端点附近最大偏差:", np.max(np.abs(yq - 1/(1+25*xq**2))))

观察要点不是具体数值，而是形态：若 yq 在 x 接近 ±1 处出现远大于 1 的尖峰或深谷，即判定为龙格振荡。此时把节点换成切比雪夫节点重跑，或直接改用 scipy.interpolate.CubicSpline 做分段三次插值，对比端点偏差是否回落。这个"先看形态、再看数值、最后换方案"的流程，比单纯比较误差数字更能暴露插值方法的结构性问题。

把拉格朗日与牛顿看作同一多项式的两种写法，把龙格现象看作节点分布与高次基函数共同作用的结构性缺陷，就能在选型时避开"次数越高越好"的陷阱，让曲线重建既穿过数据点，又在数据点之间保持可信的形态。