渐近展开 · aiwiki.page

渐近展开用逐次减小的贡献来表示一个函数在其自变量或某个参数趋于指定极限时的行为。它的意义在于有限项截断的精度，而不一定在于无穷级数的收敛性。因此，即使一个展开在每个固定的非零参数值处都发散，它仍可能在相应的极限情形下提供有用的近似。(dlmf.nist.gov)

定义与记号

**渐近尺度**是满足以下条件的函数序列 $\phi_0,\phi_1,\ldots$ ：

\phi_{n+1}(x)=o(\phi_n(x)) \qquad (x\to x_0).

这里， $g=o(h)$ 表示 $g/h\to0$ 。记号

f(x)\sim\sum_{n=0}^{\infty}a_n\phi_n(x)

表示，对每个固定的 $N\ge0$ ，都有

f(x)-\sum_{n=0}^{N}a_n\phi_n(x) =o(\phi_N(x)).

趋近所限定的区域也是定义的一部分。(dlmf.nist.gov)

对于逆幂展开

f(x)\sim a_0+\frac{a_1}{x}+\frac{a_2}{x^2}+\cdots \qquad(x\to+\infty),

一个等价的表述是：对每个固定的正整数 $N$ ，都有

f(x)=\sum_{n=0}^{N-1}a_nx^{-n}+O(x^{-N}).

大O记号表示相应的比值有界；其界可以依赖于 $N$ 。小参数展开则将 $x^{-1}$ 换成趋于零的 $\varepsilon$ 。(dlmf.nist.gov)

渐近展开与普通无穷级数的区别，在于究竟让哪个量趋于极限。讨论收敛性时，自变量固定，项数无限增加；进行渐近近似时，则固定有限的项数，让自变量趋向指定的极限情形。收敛的幂级数在其展开点附近是其和函数的渐近展开，但渐近展开不一定收敛。(dlmf.nist.gov)

一个具体的例子是

F(\varepsilon)=\int_0^\infty \frac{e^{-t}}{1+\varepsilon t}\,dt, \qquad \varepsilon>0.

它的展开可通过对被积函数作带有精确余项的展开来得到。有限几何级数恒等式给出

\frac{1}{1+\varepsilon t} =\sum_{n=0}^{N-1}(-\varepsilon t)^n +\frac{(-\varepsilon t)^N}{1+\varepsilon t}.

因此，

F(\varepsilon) =\sum_{n=0}^{N-1}(-1)^nn!\varepsilon^n +R_N(\varepsilon),

其中

R_N(\varepsilon) =(-\varepsilon)^N \int_0^\infty\frac{e^{-t}t^N}{1+\varepsilon t}\,dt.

由于分母至少为一，

|R_N(\varepsilon)|\le N!\varepsilon^N.

这就直接证明了

F(\varepsilon)\sim 1-\varepsilon+2!\varepsilon^2-3!\varepsilon^3+\cdots.

然而，对任意固定的 $\varepsilon>0$ ，相邻两项的绝对值之比为 $(n+1)\varepsilon$ ，最终会超过一。各项不趋于零，因此级数发散。这一计算展示了拉普拉斯型积分中出现的阶乘型发散展开。(dlmf.nist.gov)

许多发散展开的各项绝对值先减小，后增大。最优截断旨在找出误差最小的有限项截断；在最小项附近停止，往往能为这一最优选择提供有用的近似。在上面的例子中，最小项的下标具有 $1/\varepsilon$ 的量级。(dlmf.nist.gov)

这并不是一个普遍适用的误差定理。渐近展开的定义控制的是参数趋于极限时每个固定阶数的截断；它本身并不能控制截断阶数随参数变化而增大的情况。最后保留的一项很小，也不能保证余项很小。要确保数值精度，需要严格的误差界，或有独立依据的余项估计。(dlmf.nist.gov)

\Gamma(x)\sim \sqrt{2\pi}\,x^{x-\frac12}e^{-x} \left( 1+\frac{1}{12x} +\frac{1}{288x^2} -\frac{139}{51840x^3} +\cdots \right), \qquad x\to+\infty.

其首项就是斯特林近似。更高阶的项提供逐次修正；这个修正级数应理解为渐近展开，而非收敛的级数表示。(dlmf.nist.gov)

由于 $\Gamma(n+1)=n!$ ，这个展开也可用于近似大整数的阶乘。对于复自变量，相应的展开需要限制自变量所在的扇形区域，这说明完整的渐近表述为何必须包含其适用区域。(dlmf.nist.gov)

有多种方法可以在识别问题主导部分的同时构造展开：

**沃森引理**将端点附近的局部行为转化为拉普拉斯型积分的展开。在适当的可积性与增长条件下，
$q(t)\sim\sum_{n=0}^{\infty}c_nt^{n+\alpha-1}, \qquad \alpha>0,$
可推出
$\int_0^\infty e^{-xt}q(t)\,dt \sim\sum_{n=0}^{\infty} c_n\Gamma(n+\alpha)x^{-n-\alpha}.$
**拉普拉斯法**分析主要贡献来自实指数因子达到最大值处附近的积分。
**驻相法**分析振荡积分，其主要贡献往往来自相位驻点附近。(dlmf.nist.gov)

对于复路径积分，**梯度下降法（最速下降法）**在解析性和路径约束允许的条件下，将积分路径变形，使其通过相关鞍点。在这些点附近进行局部展开，就能得到各部分的渐近贡献；当鞍点合并时，可能需要采用不同的一致近似。(dlmf.nist.gov)

在微分方程中，将拟定的展开代入方程，再逐阶比较，即可得到确定展开系数的方程。这类形式构造还需要通过余项估计或存在性结果另行论证。WKB近似是处理含大参数方程的渐近方法中的一个重要例子。(dlmf.nist.gov)

对于固定的渐近尺度和趋近区域，只要展开存在，其系数就是唯一的：

a_n=\lim_{x\to x_0} \frac{f(x)-\sum_{k=0}^{n-1}a_k\phi_k(x)} {\phi_n(x)}.

但函数本身通常并不唯一：加入指数级小的项，可能不会改变任何展开系数。(dlmf.nist.gov)

因此，在正实轴上，给一个函数加上 $e^{-1/\varepsilon}$ ，不会改变它在 $\varepsilon\to0^+$ 时的幂展开，因为这个指数函数比 $\varepsilon$ 的任意正幂都小。这类贡献称为超越所有代数阶的贡献。(dlmf.nist.gov)

加法和乘法通常遵循形式级数的运算规则；除法则要求有适当的非零首项。逐项求导数需要额外的假设，因为余项很小并不意味着其导数也很小。(dlmf.nist.gov)

当另一个参数也发生变化时，一致展开能在指定的整个参数集合上控制余项。这在过渡区域附近尤为重要，因为原本有效的近似可能在那里失效。微分方程的转向点和积分中合并的鞍点，都是需要专门构造一致表示的典型例子。(dlmf.nist.gov)

在复分析中，同一个函数在不同的扇形区域内可能需要不同的渐近表示。**斯托克斯现象**描述的是跨越特定射线或曲线时，指数级小的贡献在表示方式上发生的变化；这并不意味着原来的解析函数发生了不连续。(dlmf.nist.gov)

指数改进展开分析接近最优截断后留下的余项，并保留普通逆幂展开无法呈现的贡献。进一步对余项重新展开，就得到超渐近方法，从而使近似精度超越单个截断级数所能达到的水平。(dlmf.nist.gov)