3. 多项式插值的局限

在上一节中，我们把插值问题归结为“给定 n+1 个互异节点，寻找一个次数不超过 n 的多项式穿过全部数据点”。从纯代数的角度看，这个问题有唯一解，而且可以用拉格朗日公式或牛顿差商公式显式写出来。初学者很容易由此得出一个直觉：节点越多、多项式次数越高，逼近效果就越好。这个直觉在理论上有部分依据（Weierstrass 定理说明连续函数可被多项式一致逼近），但在数值实践中却常常失效。本节要讨论的正是这种“理论上可行、实践中危险”的落差，以及它如何直接催生了分段低次插值的思想。

高次插值的第一个隐患：系数求解的病态性

若采用最朴素的单项式基 {1, x, x², …, xⁿ} 建立方程组 Vc = y，其中 V 是范德蒙矩阵，那么随着 n 增大，V 的条件数会急剧增长。以节点均匀分布在 [0,1] 为例，n=10 时范德蒙矩阵的条件数已在 10⁷ 量级，n=20 时可轻易超过 10¹²。这意味着输入数据中哪怕只有 10⁻¹⁰ 量级的舍入误差，解出的系数也可能完全失真。更麻烦的是，即便系数算得“准确”，高次多项式系数的微小扰动也会在求值时被放大——因为 xⁿ 在区间端点附近对系数的敏感度极高。

下面是一段可直接运行的 Python 示例，用于观察这一现象（示例参数为教学设定，非实测数据）：

import numpy as np
from numpy.polynomial import polynomial as P

for n in [5, 10, 15, 20]:
    x = np.linspace(0, 1, n + 1)
    V = np.vander(x, increasing=True)
    print(n, "cond =", np.linalg.cond(V))

运行后可以看到条件数随 n 近似指数上升。这提示我们：高次插值的困难首先不是“公式不对”，而是“计算过程对扰动过于敏感”。这正是数值稳定性讨论的起点。

Runge 现象：高次多项式在区间边缘的剧烈振荡

比系数病态更直观、也更具教学价值的现象是 Runge 现象。考虑经典函数 f(x) = 1/(1+25x²) 在区间 [−1, 1] 上，取等距节点做 n 次插值多项式 pₙ(x)。当 n 较小时，pₙ 与 f 贴合尚可；但当 n 增大到 10 以上，区间中部逼近变好，而靠近端点 ±1 处却出现幅度越来越大的振荡，最大误差不降反升。这一现象由 Runge 于 1901 年给出，因此得名。

其机理可以从两个角度理解。其一是节点分布：等距节点在区间中部密集、在端点稀疏，而高次多项式在端点附近的导数增长极快，插值条件被“强行”满足后，端点外侧的余项被放大。其二是余项公式：f(x) − pₙ(x) = f⁽ⁿ⁺¹⁾(ξ)/(n+1)! · ∏(x − xᵢ)。等距节点下 ∏(x − xᵢ) 在端点附近的值远大于中部，而 f⁽ⁿ⁺¹⁾ 对 1/(1+25x²) 这类函数增长很快，两者相乘导致端点误差爆炸。值得注意的是，若改用 Chebyshev 节点（即 xᵢ = cos((2i+1)π/(2n+2)) 的变体），Runge 现象会显著减弱——这说明问题不在“多项式”本身，而在“节点与次数的搭配方式”。

上图把三种策略的误差分布画在同一坐标系中：红色曲线代表等距节点高次插值，中部误差很小，但两端出现明显振荡；蓝色曲线代表改用 Chebyshev 节点后的高次插值，误差整体被压平；绿色曲线代表分段低次插值，误差量级最低且分布均匀。这张图想传达的核心信息是：“提高次数”不是唯一出路，甚至常常是错误出路。

数值稳定性：为什么“算得出来”不等于“算得准”

数值稳定性讨论的是算法对输入扰动和舍入误差的敏感程度。对高次插值而言，有三处不稳定来源需要区分：

• 问题本身的病态性：范德蒙矩阵条件数大，属于问题固有属性，换算法也难根治；
• 算法引入的额外误差：例如用单项式基求系数再回代求值，会放大舍入误差；改用牛顿差商形式或重心拉格朗日形式可显著改善；
• 求值阶段的放大：高次多项式在端点附近对系数扰动敏感，即使系数精确，浮点求值也可能失真。

实践中一个常被忽视的细节是：用重心拉格朗日公式求值比展开成单项式系数再求值稳定得多。重心公式为 p(x) = Σ (wᵢ/(x−xᵢ)) yᵢ / Σ (wᵢ/(x−xᵢ))，其中 wᵢ = 1/∏_{j≠i}(xᵢ−xⱼ)。它避免了显式求系数，计算量为 O(n) 每次求值，且对中等规模的 n 表现良好。但即便如此，当 n 很大且节点等距时，Runge 现象依然存在——稳定性改善的是“计算误差”，改善不了“逼近误差”。这一区分非常重要：数值稳定性解决的是“算得准”，Runge 现象暴露的是“模型选错了”。

分段低次插值的动机与基本做法

既然高次全局多项式在端点易振荡、系数求解病态，一个自然的思路是：放弃“一个多项式管全局”，改为“多个低次多项式管局部”。这就是分段插值。最直接的形式是分段线性插值：把区间分成若干子区间，每个子区间用一条直线连接两端点。它计算简单、无振荡，但光滑性差（一阶导数不连续），在节点处出现“折角”。

更进一步是分段三次 Hermite 插值：在每个子区间 [xᵢ, xᵢ₊₁] 上构造三次多项式，使其满足两端点的函数值和导数值。这样得到的曲线一阶导数连续（C¹），视觉上已经“光滑”。若再要求二阶导数连续（C²），就进入三次样条插值的范畴——这正是本课程后续要展开的核心内容。分段低次插值的共同优点是：

• 每个子区间只涉及少量节点，局部误差可控，不会因全局次数升高而振荡；
• 系数矩阵通常是带状或三对角的，条件数良好，求解稳定；
• 便于局部修改：改动一个数据点只影响相邻少数几段，适合交互式曲线编辑。

一个可操作的对比示例

仍以 f(x)=1/(1+25x²)、区间 [−1,1] 为例，取 11 个等距节点。用三种方式构造插值并比较最大误差（以下为教学设定的典型量级，具体数值随实现而异）：

这张表说明：在节点固定的前提下，分段低次方法在误差和稳定性上都优于全局高次插值。它也为后续引入三次样条埋下伏笔——分段 Hermite 已能做到 C¹，但要达到工程上常用的 C² 光滑，还需要在节点导数上施加连续性约束，这正是样条插值要解决的问题。

小结本节的三条主线：高次插值带来系数求解的病态性，这是数值稳定性问题；等距节点高次插值在端点产生 Runge 振荡，这是逼近质量问题；两者共同构成了分段低次插值的动机——用局部低次结构换取稳定、可控、可局部修改的曲线构造方式。理解这三者的区别与联系，是后续学习三次样条、B 样条与光滑曲线构造方法的必要前提。