Вы находитесь на странице: 1из 25

Понятие аппроксимации функции.

Интерполяция
Определение. Аппроксимировать функцию y = f(x) означает
приближенно заменить ее некоторой другой функцией y = φ(x) так,
чтобы отклонение φ(x) от f(x) в заданной области было
наименьшим. Функция φ(x) называется аппроксимирующей
функцией.
Для чего аппроксимировать функции?
Известны 4 способа задания функции: аналитический,
графический, словесный и табличный. Табулируют те функции,
вычисление которых, не смотря на их простоту, довольно
громоздко (таблицы квадратов, логарифмов…). Также на практике
часто встречаются случаи, когда функция y = f(x) задается не
аналитически, а графически или таблично:
x x0 x1 x2 ... xn
y y0 y1 y2 ... yn
Так обычно получают функцию, описывающую исследуемый процесс,
в результате эксперимента. Данные этого эксперимента заносятся или
в таблицу, или на график, который иногда образуется и
автоматически, в самопишущих приборах.
Характеристики таблиц:
1) название функций, значения которых они выражают;
2) объем таблицы (количество значений аргумента от
начального значения до конечного), хi –называются узлами
таблицы, a = x0 < x1 <…< xn = b – сетка таблицы;
3) шаг h, где h = хi - хi-1;
4) количество знаков после запятой табулируемой функции
(вносят только верные знаки, абсолютная погрешность
всех х одинакова);
5) конечная разность первого порядка уi - уi-1;
6) количество входов (равнозначно числу аргументов функции,
то есть y = f(x) – таблица с одним входом).
Преимущества табличного способа: для каждого значения
независимой переменной х, помещенной в таблицу, можно
сразу же, безо всяких измерений и вычислений, найти
соответствующее значение функции.

Недостаток табличного способа: не известен вид связи


между х и у, то есть нельзя задать всю функцию сплошь, всегда
найдутся такие значения независимой переменной, которых
нет в таблице. Получить эти значения можно лишь путем очень
сложных расчетов или проведения дорогостоящих
экспериментов.
Задача, возникающая перед исследователем, состоит в
отыскании соответствующего аналитического
выражения для функции, используя информацию об
уже известных ее значениях, и, как следствие,
приближенного вычисления искомого параметра у при
любом значении параметра х.
То есть ставится задача получить по значениям
функции, заданной в виде таблицы, аналитическое
выражение функции. Этой цели и служит задача о
приближении или аппроксимации функций. Конечно, в
итоге получается не искомая функция f(x), а некоторая
похожая на нее – φ(x) , то есть приближенная.
В процессе численной реализации этого подхода необходимо
рассмотреть 4 основных вопроса:
1) вопрос об имеющейся информации относительно
функции y = f(x),
2) вопрос о классе аппроксимирующих функций, то есть о том,
какими функциями φ(x) будет аппроксимирована
функция f(x),
3) вопрос о близости аппроксимируемой и аппроксимирующей
функций, то есть о выборе критерия согласия, которому
должна удовлетворять функция φ(x),
4) вопрос о погрешности, то есть об определении разности
между точным и приближенным значениями.
 Вчисленном анализе широкое применение имеют 3 группы
аппроксимирующих функций.
Первая – класс всех многочленов степени не выше n.
φ(x) =а0+ а1*X + а2*X2 ……+ аn*Xn

Вторую группу образуют тригонометрические функции ;


Третья группа состоит из экспоненциальных функций

На практике самым распространенным и весьма важным


случаем является аппроксимация многочленами . При этом
коэффициенты аi будут подбираться так, чтобы достичь
наименьшего отклонения многочлена от заданной функции
Если приближение строится на заданном множестве точек
{хi}, то аппроксимация называется точечной.

Если приближение строится на непрерывном множестве


точек, например на отрезке [a;b] , то аппроксимация
называется непрерывной или интегральной.

 Выбор узловых точек, класса аппроксимирующих функций и


критерия согласия должны быть подчинены одному вопросу
– о требуемой точности. При построении приближения
ставится жесткое условие: во всех точках отрезка отклонение
многочлена φ(x) от функции f(x) было по абсолютной
величине меньше заданной величины
Интерполяция – частный случай аппроксимации.

Определение. Процесс вычисления значений


аппроксимирующей функции φ(x) в точках x, отличных от
заданных в таблице, называется интерполированием функции
f(x).

Определение. Если аргумент х, для которого определяется


приближенное значение функции, принадлежит отрезку [x0, xn],
то задача определения значения функции в точке х называется
интерполированием в узком смысле. Если же аргумент х
находится вне отрезка [x0, xn], то поставленная задача
называется экстраполированием.
Локальная и глобальная интерполяция

Если функция интерполируется на отрезке с помощью единого


многочлена для всего отрезка, то такую интерполяцию
называют глобальной.
В случае локальной интерполяции на каждом интервале
строится отдельный интерполяционный полином невысокой
степени.
Теоретически максимальную точность обеспечивает многочлен
более высокой степени. Однако на практике наиболее часто
используют многочлены невысоких степеней, во избежание
погрешностей расчета коэффициентов при больших степенях
многочлена.
Кусочно-линейная интерполяция
Простейшим и часто используемым видом локальной
интерполяции является линейная (или кусочно-линейная)
интерполяция. Она заключается в том, что узловые точки
соединяются отрезками прямых (рис.3.1), то есть через
каждые две точки    и    проводится прямая, то
есть составляется полином первой степени:

X i-1
Коэффициенты   и    разные на каждом интервале  ,
и находятся из выполнения условий интерполяции на концах
отрезка:
         
   (3.6)

Из системы уравнений (3.6) можно найти коэффициенты:

При использовании кусочно-линейной интерполяции сначала нужно


определить интервал, в который попадает значение x, а затем
подставить его в выражение (3.5), используя коэффициенты для
данного интервала.
Кусочно-квадратичная интерполяция
В случае квадратичной интерполяции, для каждых трех узловых
точек  ,  ,  , строится уравнение
параболы:
Здесь коэффициенты  ,  и   разные на каждом
интервале    и определяются решением системы
уравнений для условия прохождения параболы через три точки:

  𝟐
𝒙 𝒊 −𝟏
𝟐 (3.9)
 
𝒙 𝒊
  𝟐
𝒙 𝒊+𝟏
Существуют ещё и другие методы интерполяции
функции , например интерполяция при помощи
многочлена Лагранжа или многочлена Ньютона.
Но эти методы гораздо сложнее и я пожалею
ваши мозги ))))
Численные методы
нахождения экстремума.
Численные методы позволяют находить экстремумы для любых
уравнений с заданной точностью, они не требую вычисления
производных и позволяют находить экстремумы, которые
локализованы в определенном интервале, но они требуют
большого объема вычислений. 

Уравнения могут содержать


несколько экстремальных
точек, которые должны
быть локализованы
интервалами поиска.
Не существует каких-либо общих рецептов определения отрезка
локализации. Отрезок локализации максимума (минимума)
можно определить с помощью табулирования функции и
построения графика.

Точка, в которой функция достигает набольшего на


множестве X значения, называется абсолютным максимумом
функции. Для нахождения абсолютного максимума требуется
найти все локальные и выбрать наибольшее значение.
Задаем интервал поиска от Хлев до Хпр, содержащий искомую точку
экстремума и начинаем его уменьшать. Но нам надо знать в каком
из новых интервалов находится экстремум. Для этого мы
вычисляем не одно, а два значения функции и принимаем, что
нужный нам интервал находится вокруг большей из этих точек
(см. точка Х1 рис.2), т.е. он должен быть взят от границы (Хлев)
через максимальную точку (Х1) до второй вычисленной точки
(Х2). Интервал от Х2 до Хпр мы отбрасываем. Данную процедуру
повторяем пока расстояние между Хпр и Хлев не станет меньше
заданной погрешности вычисления. Ответом будет одна из двух
средних точек, имеющая максимальное значение.

Остается вопрос, как выбирать


точки для вычисления новых
значений?
Метод деления отрезка пополам

Поиск максимума (минимума) на отрезке [a, b] на


каждом шаге начинается с выбора двух точек

  

, где  >0-постоянная, являющаяся параметром метода.

Величина выбирается программистом и может определяться


целесообразным количеством верных десятичных знаков при
задании аргумента
Точки   и  расположены симметрично на [a, b]
относительно его середины и при малых  делят его
почти пополам. Далее вычисляем значение функции в
этих точках и выбираем наибольшее

Интервал от Х2 до Хпр мы


отбрасываем. Данную
процедуру повторяем пока
расстояние между Хпр и Хлев не
станет меньше заданной
погрешности вычисления.
 Метод реализуется следующим алгоритмом:
1.Проверяем условие |b-a|<. Если условие выполняется, идем к
пункту 6.
2.Делим интервал поиска [a, b] точками    и  .

3.Вычисляем  и  .

4.Проверяем условие  > . Если оно выполняется,


полагаем   и идем к пункту 1.

5.Полагаем   и идем к пункту 1.


6.Выводим на печать  и

  .
Метод равномерного поиска нахождения минимума

Этот метод основан на том, что переменной 


        присваиваются значения                  
c шагом h =const (шагом поиска), где i=0,1,2,

и вычисляются значения    в соседних точкаx.

Если  , то переменной  дается новое


приращение. 

Как только становится  , поиск останавливается


и предпоследняя точка считается ответом.
Выбор   (начального значения переменной  )
определяется пользователем. Шаг поиска - фактическая
погрешность определения результата. При поиске
решения на отрезке, обычно в качестве начального
приближения берут один из его концов, а при изменении
переменной х предусматривается проверка на выход ее
за границу отрезка.

Существуют и другие более сложные методы, которые можно


при желании изучить самостоятельно.