3. 自适应采样的数学基础

在物理残差自适应采样中，我们真正要回答的问题不是“该采多少个点”，而是“该把点放在哪里”。这一节把直觉背后的数学骨架拆开：采样分布如何描述点的疏密，重要性采样如何用权重修正偏差，自适应策略为什么有机会收敛，以及误差与采样密度之间那条近似反比的定量关系。

一、采样分布：把“疏密”写成一个概率密度

设采样区域为 Ω（例如二维参数平面 [0,1]²），采样分布用概率密度 p(x) 描述，满足 p(x) ≥ 0 且 ∫_Ω p(x) dx = 1。p(x) 大表示该处点更密，p(x) 小表示更稀。均匀采样对应 p(x) = 1/|Ω|，是最朴素但通常不是最优的选择。

物理残差自适应采样的核心假设是：残差 r(x) 大的区域，解的质量差、误差贡献大，应当多采样。于是我们希望 p(x) 与某种残差强度度量 w(x) = |r(x)|^α（α > 0 为锐化指数）成正比。但 w(x) 事先未知，只能通过已评估的样本点去估计，这就引出了“自适应”的本质：用当前样本估计残差场，再据此更新采样分布，循环往复。

二、重要性采样：用权重把偏差修正回来

若我们想估计某个量 I = ∫_Ω f(x) dx，而从 p(x) 采样，则无偏估计为：

I ≈ (1/N) Σ_{i=1..N} f(x_i) / p(x_i),   x_i ~ p(x)

这里 1/p(x_i) 就是重要性权重。它补偿了“稀处点少、密处点多”带来的偏差：密处的点权重大小被压低，稀处的点权重被抬高。估计的方差为：

Var = (1/N) [ ∫ f²(x)/p(x) dx − I² ]

当 p(x) ∝ |f(x)| 时方差最小——这正是“按残差大小分配采样密度”的理论依据。实践中常用 p(x) ∝ (|r(x)| + ε)^α，ε 防止零残差区密度归零导致数值问题，α 控制锐化程度（α 越大越集中于高残差区，但估计方差也越大）。

三、误差与采样密度的关系

对一维情形，若采样密度为 ρ(x)（单位长度点数），局部点间距 h(x) ≈ 1/ρ(x)。数值积分或插值的局部误差通常与 h^k 成正比（k 为方法阶数），因此总误差近似为：

E ≈ C ∫ ρ(x)^{-k} dx

在总点数 N = ∫ ρ(x) dx 固定的约束下，用变分法可得最优密度 ρ*(x) ∝ |r(x)|^k/(k+1)。这说明：误差随采样密度按幂律下降，且最优密度并非简单正比于残差，而是残差的 k/(k+1) 次幂。对二阶方法（k=2），指数约为 2/3；对四阶方法（k=4），指数约为 4/5。这解释了为什么实践中 α 取 1～2 往往够用——理论最优指数本就接近 1。

四、自适应策略的收敛性直觉

自适应采样不是一次性计算，而是一个迭代映射：p_t+1 = T(p_t)，其中 T 由“用样本估计残差 → 归一化为密度”构成。收敛性可以从三个角度建立直觉：

• 估计误差随样本量下降：残差场估计 r̂ 的误差约为 O(N^-1/2)，样本越多，密度更新越接近真实最优密度。
• 映射的压缩性：若 T 对 p 的扰动是压缩的（Lipschitz 常数 < 1），迭代会收敛到不动点 p*。α 过大或 ε 过小会放大扰动，破坏压缩性，表现为密度在峰间“震荡”。
• 误差单调性：在理想估计下，每轮更新后总误差 E_t 不增；实际中因估计噪声可能出现短暂回升，但长期趋势下降。

五、一个可执行的教学示例

设 Ω = [0,1]²，真实残差场为 r(x,y) = exp(−((x−0.3)²+(y−0.7)²)/0.02) + 0.6·exp(−((x−0.8)²+(y−0.2)²)/0.01)。取 N=400，α=1.5，ε=0.05，迭代 8 轮。每轮用高斯核（带宽 0.08）对已评估点做残差插值得到 r̂，再归一化为 p。可观察到的合理现象是：前 3 轮点快速向两个峰聚集，第 4～6 轮密度分布基本稳定，第 7～8 轮误差相对变化小于 1%，可判定收敛。若把 α 调到 4，则会看到点在两峰间来回跳动、误差不降反升——这正是压缩性被破坏的直观表现。

把以上四点串起来：采样分布是“把疏密写成函数”，重要性采样是“用权重保证估计无偏”，误差-密度幂律给出“该多密才够”的定量标尺，而收敛性直觉则告诉我们“迭代会不会稳定下来、参数该怎么选”。这四者共同构成自适应采样从直觉走向可计算、可调参、可判据的数学基础。