1 基本概念
数值逼近是研究如何用有限、可计算的数学对象去代替复杂或不可直接求解的函数、方程与数据关系的一类方法。其目标不是得到“形式上的精确表达”，而是在给定误差容限内获得足够可靠、便于计算的结果，因此在实际计算中具有很强的应用价值。
1.1 逼近问题的定义
逼近问题通常可表述为：在某个函数类或数据集合中，寻找一个较简单的对象，使其尽可能接近目标函数或目标数据。这里的“简单”可以指次数较低的多项式、分段函数、样条函数、正交展开式或其他便于计算的表示形式。
从应用角度看，逼近对象不仅要接近原对象，还应满足可计算性、稳定性和效率等要求。例如，对复杂函数进行采样后，用插值多项式或样条函数重建，就是典型的逼近问题。
1.2 近似与精确解的关系
在数值分析中，精确解往往只是理论上的参考标准，而近似解则是实际可获得的计算结果。二者之间的关系可以理解为：近似解是对精确解的有限表达，随着计算精度提高、模型细化或方法改进，近似结果可逐渐接近精确值。
需要注意的是，近似并不等同于“误差很大”。在很多工程和科学场景中，只要误差受控，近似解就足以支持预测、设计与决策。某些情况下，近似解甚至比理论上的精确表达更有实用意义，因为它更易于计算和分析。
1.3 逼近误差与误差来源
逼近误差是指近似结果与真实对象之间的差别。它既可能来自数学模型本身，也可能来自数值计算过程。一般来说，误差分析是数值逼近的核心内容之一，因为它直接决定方法的可信度。
误差通常可分为截断误差、舍入误差和模型误差三类。不同类型误差的来源、表现和控制方式并不相同，实际计算中往往需要综合考虑。
1.3.1 截断误差
截断误差是由于用有限项、有限阶或有限步计算去代替理论上无限过程而产生的误差。比如用有限项级数代替无限级数，用低阶多项式代替复杂函数，或将连续过程离散化处理时，都会出现这类误差。
这类误差通常与近似阶数有关。增加项数、细化网格或提高展开阶数，往往可以减小截断误差，但同时也可能增加计算量或引入新的数值不稳定因素。
1.3.2 舍入误差
舍入误差来源于计算机只能用有限位数表示实数。浮点运算中，许多数值不能被完全精确存储，只能取其近似值，从而引起微小偏差。
在单次计算中，舍入误差通常很小，但在大量迭代、反复运算或病态问题中，误差可能逐步累积并放大。因此，数值算法设计时常常需要考虑运算顺序、数值范围和数值稳定性。
1.3.3 模型误差
模型误差来自现实对象与数学模型之间的差异。任何模型都需要简化现实，而这种简化不可避免地会舍弃部分细节。若模型本身与真实情况存在偏离，即使计算过程没有明显误差，结果也未必能完全反映实际。
例如，在拟合实验数据时，如果所选函数形式不适合描述真实规律，就会产生模型误差。该误差通常不是通过提高算术精度就能消除的，而需要改进建模假设。
1.4 逼近中的函数空间
函数空间是数值逼近的基本背景。不同函数空间中，函数所具有的光滑性、可积性和边界性质不同，适合采用的逼近方法也有所差异。常见的函数空间包括连续函数空间、可微函数空间、平方可积函数空间等。
在这些空间中，通常会借助范数来衡量函数之间的接近程度。函数空间的结构决定了逼近是否存在、是否唯一，以及误差如何度量，因此它是整个理论框架的重要组成部分。
2 理论基础
数值逼近并非仅靠经验规则构建，其背后依赖一套较完整的数学理论。范数、收敛性、最优逼近和误差估计等概念共同构成了该领域的基础框架。
2.1 范数与距离
范数用于度量对象的大小，距离用于度量两个对象之间的差异。在函数逼近中，常通过范数来衡量近似函数与目标函数的偏离程度。不同范数对应不同的误差视角，例如最大误差、均方误差或整体能量误差。
距离概念使“接近”变得可量化。若在某种范数下两个函数的距离很小，则可认为它们在该度量意义下高度相似。正是这种量化方式，使得“最优逼近”成为可研究、可比较的问题。
2.2 收敛性与一致收敛
收敛性研究的是一个逼近序列是否会随着逼近参数变化而趋于目标对象。若逼近序列在某种意义下逐渐接近真实函数，则称其具有收敛性。不同方法的收敛速度和收敛条件差异很大。
一致收敛比逐点收敛更严格，它要求整个定义域上的误差同时变小，而不仅仅是在某些点上接近。这一点对于数值逼近尤为重要，因为局部接近并不一定意味着整体效果良好。
2.3 最优逼近的存在与唯一性
最优逼近指在某种误差标准下，误差最小的近似函数。研究最优逼近的存在性，是为了回答“是否总能找到最好的近似”；研究唯一性，则是为了确定该最优解是否唯一。
在某些函数空间和逼近类中，最优解不仅存在，而且唯一；但在其他情况下，可能存在多个同样优的近似。唯一性与空间结构、约束条件和所选度量密切相关。
2.4 连续性与可微性条件
目标函数的连续性和可微性通常会显著影响逼近效果。一般来说，函数越光滑，越容易被高效逼近，且误差下降往往更快。若函数存在突变、尖点或不连续现象，则常规多项式逼近可能效果不佳。
在方法设计中，常会根据函数的光滑程度选择不同的近似形式。例如，对平滑函数可采用高阶多项式或样条函数；对含有局部变化的函数，则可能更适合分段处理。
2.5 误差估计理论
误差估计理论用于给出近似误差的上界或渐近行为。它不仅帮助判断方法是否有效，还能指导节点选取、阶数设定与算法优化。一个好的误差估计，通常能揭示误差与步长、阶数或样本数量之间的关系。
在实际应用中，误差估计常与收敛阶结合使用，以评价不同方法在相同资源条件下的表现。对于理论分析而言，误差界也是证明算法正确性和稳定性的重要工具。
3 经典逼近方法
经典逼近方法形成了数值逼近中最常用的一批工具，覆盖从单点插值到全局拟合、从低阶分段表示到正交展开等多种思路。不同方法在精度、稳定性与计算成本方面各有优劣。
3.1 插值法
插值法要求构造一个函数，使其在给定节点处与原函数完全一致。它适用于已知若干采样点、希望恢复中间值或建立解析表达的场景。插值方法形式多样，最常见的是多项式插值与分段插值。
插值法的优势在于形式明确、计算直观；不足在于当节点选择不当或次数过高时，可能出现振荡或不稳定现象。
3.1.1 拉格朗日插值
拉格朗日插值通过构造一组基函数，使插值多项式在每个节点上都满足指定值。它的表达形式清晰，适合理论推导和小规模计算。
由于公式整体性较强，当节点数增加时，直接使用其标准形式可能不够高效，因此在实际计算中常与其他实现方式结合使用。
3.1.2 牛顿插值
牛顿插值采用差商形式构造插值多项式，具有逐步增量构造的特点。若新增节点，只需在原有基础上增加相应项即可，便于动态扩展。
相较于拉格朗日形式，牛顿插值在计算与更新方面更灵活，尤其适合分步建立插值模型的场景。
3.1.3 分段插值
分段插值将定义域划分为若干区间，在每个小区间上分别构造简单函数。这样做可以降低高阶全局插值带来的振荡风险，同时增强局部适应性。
分段线性插值、分段多项式插值和样条插值都属于这一思想的延伸。它们在工程计算中应用广泛，常用于曲线拟合和数值求积前的函数重构。
3.2 拟合与回归
拟合与回归关注的是带噪数据或不完全数据的近似问题。与插值不同，这类方法通常不要求近似函数严格通过所有样本点，而是尽量反映整体趋势，使误差在统计意义下更小。
这类方法在实验数据处理、经济建模和传感器分析中十分常见，尤其适合观测值存在扰动的情况。
3.2.1 最小二乘法
最小二乘法通过最小化误差平方和来确定拟合函数参数。由于平方项会放大较大偏差，它常用于平衡整体误差，使拟合结果更稳定。
该方法形式简洁、计算成熟，既可用于线性模型，也可通过线性化或迭代方法处理部分非线性问题。
3.2.2 加权最小二乘法
加权最小二乘法在误差平方和中引入权重，使不同数据点的重要性不同。对于测量精度不一致、样本可靠性不同或局部区域更重要的场景，这种方法更有针对性。
权重的选取会直接影响拟合结果，因此通常需要结合数据来源、误差分布或应用目标进行设置。
3.2.3 非线性拟合
非线性拟合用于参数与变量之间关系非线性的模型。此类问题通常没有封闭形式的直接解，需要依赖迭代算法逐步逼近最优参数。
由于目标函数可能具有多个局部极小值，非线性拟合对初值和算法设计较为敏感。实际应用中常需配合经验判断与数值优化技术。
3.3 样条逼近
样条逼近用低阶多项式在分段区间上进行拼接，并要求在连接点处满足一定光滑条件。它兼顾局部灵活性与整体平滑性，是现代数值逼近中的重要工具。
样条方法通常比高阶全局多项式更稳定，也更适合处理复杂曲线和工程几何对象。
3.3.1 线性样条
线性样条是在每个区间上使用一次多项式连接数据点。它构造简单、计算开销低，适合快速近似和粗略重建。
虽然线性样条的光滑性较弱，但在数据量大、实时性要求高的任务中仍然非常实用。
3.3.2 三次样条
三次样条在每个区间上使用三次多项式，并要求函数值及一阶、二阶导数在节点处连续。其曲线平滑、局部控制能力强，因此应用极广。
三次样条通常能在较低阶数下获得较好的整体效果，是图形绘制、轨迹规划和数值重建中的常用方案。
3.3.3 B样条
B样条是一类具有局部支撑性质的样条基函数。它的优点在于局部修改只影响有限区间，因此在几何造型和曲线设计中极具优势。
由于稳定性好、计算结构清晰，B样条常与计算机辅助设计和图形处理结合使用。
3.4 正交多项式逼近
正交多项式逼近利用一组彼此正交的基函数展开目标函数。由于基函数之间相互独立，展开系数的求取通常较为规整，且在理论分析中具有明显优势。
这类方法在函数展开、谱方法和频域分析中十分重要。
3.4.1 切比雪夫多项式
切比雪夫多项式具有良好的逼近性质，尤其适合在区间上做高精度近似。其节点分布和极小极大误差性质，使其在抑制振荡方面表现突出。
在实际计算中，切比雪夫展开常用于高效近似与快速求值。
3.4.2 勒让德多项式
勒让德多项式在标准区间上具有正交性，常用于展开平滑函数和构造谱近似。它的理论结构清晰，适用于积分方程和边值问题的处理。
由于与加权内积关系密切，勒让德逼近在数值求解中有较强的分析便利。
3.4.3 傅里叶逼近
傅里叶逼近通过三角函数展开表示周期函数或近周期信号。它在信号分析、频谱分解和周期现象建模中极为常见。
傅里叶方法擅长捕捉全局振荡结构，但对局部突变较敏感，因此常与滤波、分段处理或其他改进方法结合使用。
4 数值逼近中的多项式方法
多项式方法是数值逼近中最经典、最基础的路线之一。由于多项式易于计算、微分和积分，其在理论与实践中的地位都非常重要。
4.1 代数多项式逼近
代数多项式逼近使用有限次幂构成的函数来近似目标对象。它是许多插值、拟合与谱方法的基础，也是研究逼近误差和收敛性质的重要对象。
其优点是表示简洁、求值方便；缺点则在于高次多项式可能出现数值不稳定或边界振荡。
4.2 多项式插值的节点选择
节点选择对多项式插值的效果影响很大。若节点分布过于均匀，高阶插值可能在区间两端出现明显振荡；若节点分布更合理，则可显著改善逼近性能。
常见做法是根据函数性质和误差需求选取合适节点，例如在区间端点附近加密采样，以增强稳定性和精度。
4.3 逼近阶与收敛速度
逼近阶描述误差随参数变化而下降的速度。一般而言，逼近阶越高，误差收敛越快，但这并不意味着实际效果一定更好，因为更高阶方法往往伴随更高计算成本和更强的数值敏感性。
收敛速度受函数光滑性、逼近空间和节点分布共同影响。对平滑函数，高阶多项式常能获得较快收敛；对不够光滑的函数，收敛则可能明显变慢。
4.4 Runge现象与振荡问题
Runge现象是高次插值中常见的振荡问题，尤其容易出现在等距节点和区间端点附近。它说明“次数更高”并不必然意味着“效果更好”。
为缓解这一问题，常采用改进节点分布、分段插值、样条方法或正交多项式展开等方式，以提高整体稳定性。
4.5 多项式逼近的稳定实现
多项式逼近的稳定实现强调在有限精度环境下保持计算可靠。实际实现中，除了数学公式本身，还需关注系数计算、递推关系、求值顺序和舍入误差传播。
常用技巧包括使用稳定的基函数表示、避免直接构造高次展开式，以及采用适合浮点运算的递推算法。
5 函数逼近的数值分析
数值分析从误差、稳定性和复杂度等方面评估逼近方法的可行性。它不仅解释“能否逼近”，还回答“逼近得是否稳健、是否划算”。
5.1 误差界与收敛阶
误差界给出近似误差的理论上限，收敛阶则刻画误差随网格、阶数或样本数变化的下降规律。二者共同构成评价算法质量的重要依据。
在比较不同方法时，不能只看局部误差数值，还应考虑误差界的紧致程度和收敛阶的实际表现。
5.2 条件数与病态问题
条件数反映问题对输入扰动的敏感程度。若条件数较大，则微小输入误差也可能导致输出显著变化，这类问题常被称为病态问题。
在逼近中，病态性可能来自节点分布不佳、矩阵结构不稳定或模型设置不合理。因此，算法设计常需尽量降低条件数带来的不利影响。
5.3 稳定性分析
稳定性分析研究的是算法在误差扰动下是否会保持可靠输出。一个稳定的方法应当对输入误差、舍入误差和中间计算误差具有良好容忍度。
稳定性与准确性并不完全等同：一个算法可以理论上精确，但在数值上不稳定；也可以较为稳定，但精度有限。理想方法通常要求两者兼顾。
5.4 逼近算法的复杂度
复杂度主要关注时间和空间成本。逼近算法若要应用于大规模问题，除了误差控制外，还必须具备合理的计算开销。
一些方法在理论上精度很高，但计算量过大，不适合实时或高维场景；另一些方法虽然精度略低，却更适合工程部署。复杂度分析有助于在精度与效率之间取得平衡。
5.5 高维逼近的困难
高维逼近面临“维数灾难”问题，即随着变量维数增加，采样点数、计算量和存储需求往往急剧上升。传统低维方法在高维情形下常会失去效率优势。
为应对这一困难，常采用稀疏表示、低秩分解、分层网格或自适应方法，以降低维度增长带来的压力。
6 应用场景
数值逼近的应用非常广泛，几乎贯穿所有需要计算建模的领域。它既服务于理论计算，也直接影响工程实现与数据处理质量。
6.1 科学计算中的函数近似
在科学计算中，许多复杂函数并无简单解析表达，或者即使有解析形式，也不利于直接计算。此时常使用逼近方法构造可计算模型，以便进行积分、求导、求解方程或数值模拟。
这类应用强调精度、稳定性和可重复性，往往是数值逼近最典型的使用场景之一。
6.2 工程建模与仿真
工程问题中常涉及复杂几何、非线性关系和实验数据。逼近方法可用于建立部件性能模型、材料响应模型以及系统动态模型，从而支持设计优化和仿真分析。
在很多工程流程中，逼近模型既用于替代昂贵的实物试验，也用于加快计算机仿真的迭代速度。
6.3 数据压缩与信号处理
在数据压缩和信号处理中，逼近思想常用于去除冗余信息、保留主要特征。通过用少量参数描述信号曲线，可以在保证可接受失真的前提下降低存储和传输成本。
傅里叶展开、小波表示和样条压缩都属于这一类思路的具体实现。
6.4 图像重建与插值
图像重建需要根据有限采样恢复连续图像内容，而插值则常用于图像放大、边缘补点和空洞填补。数值逼近在这里承担了“从离散到连续”的转换角色。
不同插值方法会影响图像的平滑程度、细节保留和伪影多少，因此实际应用中往往需要在清晰度与稳定性之间折中。
6.5 机器学习中的近似思想
机器学习本质上也包含大量逼近思想，即用参数化模型近似输入与输出之间的复杂关系。无论是回归、分类还是函数估计，都可以视为广义的逼近问题。
与传统数值逼近相比，机器学习更强调数据驱动与泛化能力，但二者在“用有限表达近似复杂对象”这一核心思想上是一致的。
7 相关拓展
数值逼近之外，还有若干与之关系密切的拓展方向，它们在表示能力、局部适应性和复杂结构处理方面各具特色。
7.1 有理函数逼近
有理函数逼近使用多项式之比来表示目标函数。与纯多项式相比，它在处理奇异点、陡峭变化或某些特殊函数时往往更有效。
这类方法在工程近似和高精度计算中具有重要意义，尤其适合对局部结构要求较高的情况。
7.2 频域近似方法
频域近似将函数或信号表示为频率成分的组合，通过分析频谱结构来实现压缩、滤波和重构。它强调全局周期性和频率贡献的分解。
在许多信号处理问题中，频域近似比时域直接逼近更便于揭示数据特征。
7.3 非线性与自适应逼近
非线性与自适应逼近允许模型结构随数据特点自动调整。与固定基函数方法相比，它更能适应局部复杂性和非均匀分布。
这类方法通常需要迭代优化和参数更新，优点是灵活，代价是分析和实现更复杂。
7.4 小波逼近
小波逼近利用具有局部时频特性的基函数表示信号。它兼顾时间位置与尺度信息，因此特别适合处理突变、边缘和多分辨率结构。
小波方法在压缩、去噪和特征提取中非常常见，也与现代多尺度分析密切相关。
7.5 神经网络逼近理论
神经网络逼近理论研究神经网络是否能够近似足够广泛的函数类，以及在何种条件下达到较高精度。该理论说明，具有适当结构的神经网络可以表达复杂的非线性关系。
这一方向将传统逼近理论与现代学习模型联系起来，已成为数值逼近的重要延伸之一。