1 基本概念
1.1 定义
插值多项式是指在给定若干离散数据点及其对应函数值后，构造一个多项式，使其在这些节点上与已知数据完全一致。若数据点为 \((x_0,y_0),(x_1,y_1),\dots,(x_n,y_n)\)，则所求多项式 \(P_n(x)\) 满足 \(P_n(x_i)=y_i\)。这一方法常用于已知少量样本、需要恢复连续函数近似表达的场景。
1.2 插值条件
插值条件通常表现为“通过所有给定点”。在最基本情形中，要求多项式在每个节点处取到对应函数值；在更一般的情形下，还可要求在同一点处匹配导数值，从而形成埃尔米特型插值条件。插值条件的设定直接决定了多项式的构造方式与自由度分配。
1.3 存在性与唯一性
对于 \(n+1\) 个彼此不同的节点，存在且仅存在一个次数不超过 \(n\) 的插值多项式通过全部节点。这一结论构成了插值理论的基础，也说明只要节点互异，插值问题就不会产生多个不同的同次多项式解。若附加导数条件，则需要相应增加多项式次数或改变构造形式。
1.4 几何意义
从几何角度看，插值多项式是在平面或高维数据投影下，对离散点进行“平滑连结”的解析曲线。它并不一定表示真实物理轨迹，但能在节点处精确重现数据，因此常被视为一种局部或全局的连续近似。其曲线形态受节点分布和数据变化影响较大。
2 构造方法
2.1 拉格朗日插值
拉格朗日插值是最直接的全局构造方法之一，通过一组特定基函数线性组合得到插值多项式。它的优点是形式清晰，不需要先解线性方程组；缺点是当节点数较多时，直接计算与更新不够方便。
2.1.1 基函数形式
拉格朗日形式利用基函数 \(L_i(x)\) 构造： \[ P_n(x)=\sum_{i=0}^{n} y_i L_i(x), \] 其中 \[ L_i(x)=\prod_{j\ne i}\frac{x-x_j}{x_i-x_j}. \] 每个基函数在对应节点取值为 1，在其他节点取值为 0，因此能精确“选中”对应数据点。
2.1.2 计算步骤
实际计算时，先根据节点逐项构造各个基函数，再将其按函数值加权求和。对于小规模问题，这种方法实现简单；若节点较多，则常需要借助重排、分组或改用更稳定的形式，以减少重复计算。
2.2 牛顿插值
牛顿插值通过差商表构造多项式，具有良好的递推性，适合逐步加入新节点。与拉格朗日形式相比，它在动态更新数据时更灵活，也更便于编程实现。
2.2.1 差商
差商是牛顿插值的核心工具，用来逐层描述函数值变化。零阶差商就是函数值本身，一阶、二阶及更高阶差商分别反映不同阶次的变化趋势。差商表可由低阶向高阶逐步递推计算。
2.2.2 递推构造
牛顿插值多项式常写为 \[ P_n(x)=a_0+a_1(x-x_0)+a_2(x-x_0)(x-x_1)+\cdots+a_n\prod_{k=0}^{n-1}(x-x_k), \] 其中系数 \(a_i\) 由差商得到。该形式便于新增节点时在原多项式基础上继续扩展，无需从头重建全部表达式。
2.3 埃尔米特插值
埃尔米特插值不仅匹配函数值，还可同时匹配导数值，因此在需要更高光滑性的场合很有用。它常用于描述曲线切线信息或对变化率有要求的建模问题。
2.3.1 导数条件
在埃尔米特插值中，给定节点处除了函数值，还可指定一阶或更高阶导数值。这样构造出的多项式不仅经过节点，还在局部保持额外的形状信息，能更细致地反映原函数特征。
2.3.2 重节点处理
为了把导数条件纳入统一框架，常将同一节点视作重复出现的“重节点”。在差商或基函数构造中，重节点对应的极限形式可替代普通差商，从而把函数值和导数条件统一处理。
2.4 递推插值算法
递推插值算法强调逐步构造与实时更新，常见于数据流处理或在线计算场景。它的基本思想是保留已有插值结果，在新节点到来时做局部修正，而不是完全重算。
2.4.1 分段更新
分段更新指在已有若干插值节点和对应多项式的基础上，逐次加入新节点，并更新相关系数或差商。这样可以降低重复运算量，尤其适合节点按时间顺序不断到达的任务。
2.4.2 在线计算
在线计算场景下，数据并非一次性给出，而是持续输入。递推插值算法能够边接收数据边形成多项式近似，因此常用于实时估计、控制系统或传感器数据处理。
3 理论性质
3.1 唯一性定理
插值多项式的唯一性定理指出：对于互异节点上的函数值数据，次数不超过节点数减一的插值多项式唯一确定。该结论保证了插值结果不会因构造方法不同而产生本质差异，拉格朗日形式与牛顿形式只是同一多项式的不同表达。
3.2 误差公式
插值误差刻画了多项式与原函数之间的差别。它说明即使在节点处完全相同，节点之间仍可能存在偏差，而这一偏差通常与函数高阶导数及节点分布密切相关。
3.2.1 余项表达式
若原函数在相应区间内足够光滑，则插值余项通常可写成 \[ f(x)-P_n(x)=\frac{f^{(n+1)}(\xi)}{(n+1)!}\prod_{i=0}^{n}(x-x_i), \] 其中 \(\xi\) 位于插值区间内。该表达式揭示了误差由高阶变化率和节点乘积共同决定。
3.2.2 误差上界
误差上界可由高阶导数的最大值与节点乘积的最大幅度估计。若函数变化平缓且节点分布适当，则误差通常较小；反之，当高阶导数较大或节点布局不理想时，误差可能明显放大。
3.3 节点分布影响
节点如何选取，对插值效果影响很大。即便节点数相同，不同分布也可能导致曲线振荡程度、误差大小和数值稳定性显著不同。
3.3.1 等距节点
等距节点简单直观，便于采样和实现，但在高次插值中容易出现端点振荡等现象。节点数增多时，这种问题往往更加明显，因此等距布点并不总是最优选择。
3.3.2 切比雪夫节点
切比雪夫节点在区间端部更密集，能够在很多情形下减小最大插值误差。与等距节点相比，它通常更有利于抑制高次多项式的剧烈摆动，因此在理论分析与数值实现中都很常见。
3.4 多项式次数与精度
插值多项式次数越高，理论上可匹配的数据点越多，但并不意味着精度一定单调提升。实际中，次数增加会同时带来更强的表达能力和更高的振荡风险，因此需要在逼近能力与稳定性之间权衡。
4 计算实现
4.1 系数求解
插值多项式也可通过求解系数的方式得到，即先设定多项式一般形式，再根据插值条件建立方程组。这种做法与代数线性系统紧密相关，适合分析和程序实现。
4.1.1 矩阵形式
设 \[ P_n(x)=a_0+a_1x+\cdots+a_nx^n, \] 将各插值条件代入后，可得到关于系数 \(a_0,\dots,a_n\) 的线性方程组。用矩阵表示时，系数矩阵由节点幂次构成，便于统一处理。
4.1.2 范德蒙德矩阵
由节点幂次组成的矩阵称为范德蒙德矩阵。它在理论上结构简洁，但在节点较多或分布不佳时容易出现数值条件恶化，因此直接求逆并不总是理想方案。
4.2 数值稳定性
数值稳定性关注的是：计算过程中微小误差会不会被放大。对于插值多项式来说，稳定性不仅与算法有关，也与节点分布和多项式次数密切相关。
4.2.1 病态问题
病态问题通常指输入数据微小变化会造成输出显著改变。在高次插值中，特别是基于某些直接求系数的方法时，病态现象较容易出现，导致结果对误差极其敏感。
4.2.2 舍入误差
计算机采用有限精度表示数值，运算中不可避免地产生舍入误差。多项式次数越高、运算步骤越多，误差累积的可能性越大，因此常需选用更稳定的公式或重排计算顺序。
4.3 算法复杂度
插值算法的复杂度决定了其在大规模问题中的可行性。不同构造方法在计算量与存储需求上差别较大，应结合任务规模选择。
4.3.1 时间复杂度
直接构造拉格朗日形式通常需要较多乘除运算；牛顿形式利用差商递推，通常更适合逐步更新。总体上，若节点数为 \(n+1\)，常见插值算法的基础构造时间一般随 \(n^2\) 量级增长。
4.3.2 空间复杂度
空间需求主要来自节点、函数值、差商表和中间变量的存储。拉格朗日形式可较为紧凑，但差商法若保存完整表格，则需要额外空间；在资源受限环境中，常会采用节省存储的滚动更新方式。
5 典型应用
5.1 函数近似
插值多项式常用于对难以直接求值的函数进行近似表示。若函数在某一区间内较平滑，选取合适节点后，可用较低次数多项式获得较好的近似效果。
5.2 数据拟合中的插值思想
在数据处理中，插值与拟合并不完全相同，但插值思想常作为局部重建的基础。对于测量值较稀疏、且希望保留原始采样点精确值的场景，插值比最小二乘拟合更直接。
5.3 数值积分
插值多项式可用于构造求积公式。将被积函数替换为插值多项式后，再进行积分即可得到近似积分值，这也是许多数值积分方法的重要思路来源。
5.4 数值微分
通过对插值多项式求导，可以构造函数导数的近似表达。由于多项式导数易于计算，这一方法常用于离散数据的斜率估计和高阶导数近似。
5.5 计算机图形学
在图形学中，插值多项式可用于曲线绘制、路径平滑和动画过渡。通过在关键帧或控制点之间进行插值，可以生成连续、可控的视觉效果。
5.6 工程与物理建模
工程和物理问题中，实验数据、仿真结果或离散观测值常需要转换为连续模型。插值多项式在曲线标定、温度场估计、轨迹重建等方面具有实用价值。
6 相关扩展
6.1 分段插值
分段插值将整体区间拆分为若干小区间，在每段上分别构造插值函数。与全局高次多项式相比，这类方法通常更灵活，也更易控制局部误差。
6.1.1 分段多项式
分段多项式是指每个子区间使用独立的低次多项式进行逼近。它能避免单个高次多项式在全局范围内出现过强振荡，因此在实际计算中较为常见。
6.1.2 样条插值
样条插值是一类典型的分段插值方法，常用低次多项式在各节点之间连接，并要求若干阶导数连续。三次样条尤其常见，因为它在平滑性与计算成本之间较均衡。
6.2 高维插值
当数据点位于二维或更高维空间时，插值问题会明显复杂化。高维插值通常需要处理多个变量之间的联合作用，构造方式也比一维情形更丰富。
6.2.1 张量积插值
张量积插值将一维插值方法推广到多维网格上，通过各方向插值结果的组合形成多元近似。它适合规则网格数据，但在维数增加时会面临计算规模迅速增长的问题。
6.2.2 多元插值
多元插值是指直接针对多个自变量构造插值函数。与一维情况相比，它更关注节点布局、区域形状以及变量之间的耦合关系，应用于科学计算和工程仿真较多。
6.3 约束插值
约束插值是在基本通过节点的前提下，再附加某些形状或光滑性要求。此类方法强调结果不仅“对点”，还要“像”原函数或满足特定应用条件。
6.3.1 单调性保持
在某些应用中，希望插值曲线保持数据的单调趋势，避免人为产生峰谷。单调性保持插值通过额外限制来减少不合理振荡，常用于统计曲线和实验数据处理。
6.3.2 光滑性要求
光滑性要求指插值结果在节点处具有连续的一阶、二阶甚至更高阶导数。更高的光滑度通常有利于后续求导、优化和物理建模，但也可能增加构造难度。
7 历史与发展
7.1 早期插值思想
插值思想可以追溯到早期天文学、测量学和表格计算中对离散数据的连续化需求。人们很早就需要根据有限观测推测中间值，这推动了插值方法的形成。
7.2 经典公式的形成
随着数学分析和代数理论的发展，拉格朗日公式、牛顿差商法和埃尔米特插值等经典方法逐渐建立并系统化。这些公式使插值从经验性计算发展为严谨的理论分支。
7.3 现代数值分析中的演化
进入现代数值分析后，插值理论进一步与误差分析、算法稳定性和计算复杂度结合。随着计算机的普及，研究重点也从“能否构造”转向“如何稳定、高效、适配大规模数据地构造”，并不断向样条方法、多元方法与在线算法扩展。