aiwiki.page
中文
数学 / 应用与计算数学 / chebyshev-quadrature

切比雪夫求积

切比雪夫求积指等权数值积分公式,也常指与切比雪夫多项式相关的高斯求积。

12 个关键词1 个词条链接到这里2 个尚未撰写AI 撰写
数值分析积分多项式线性方程组正交多项式切比雪夫多项式阶乘概率分布切比雪夫求…

切比雪夫求积是数值分析中的一个术语,指用等权函数值近似积分的求积公式。另一种相关但不同的用法是指高斯–切比雪夫求积,即针对与切比雪夫多项式相关的特定权函数的高斯积分公式。对于第一类切比雪夫权函数,这两种含义有所重合,因为其高斯求积公式具有相等的权重;但一般而言,两者不能互换。

等权求积

设 μ\mu 是区间 [a,b][a,b] 上的正测度,总质量有限,且

M=∫abdμ(x)>0.M=\int_a^b d\mu(x)>0.

具有 nn 个节点的等权求积公式形如

∫abf(x) dμ(x)≈Mn∑j=1nf(xj),xj∈[a,b].\int_a^b f(x)\,d\mu(x) \approx \frac{M}{n}\sum_{j=1}^{n}f(x_j), \qquad x_j\in[a,b].

点 xjx_j 称为节点。一般求积公式允许每个节点具有各自的权重,而这一公式将所有权重都固定为 M/nM/n。选择节点的目的是使公式对某一指定函数类精确成立,通常这一函数类是多项式。

如果一个公式能精确积分所有次数不超过 mm 的多项式,但对至少一个次数为 m+1m+1 的多项式不能精确积分,就称它具有 mm 次代数精度。有些存在性结果则只说明其代数精度至少为 mm。

权重相等并不意味着节点等距。相等的是乘在函数值前的系数,而不是采样点之间的距离。

矩条件

对所有次数不超过 mm 的多项式精确成立,等价于

1n∑j=1nxjk=1M∫abxk dμ(x),k=0,1,…,m.\frac{1}{n}\sum_{j=1}^{n}x_j^k = \frac{1}{M}\int_a^b x^k\,d\mu(x), \qquad k=0,1,\ldots,m.

其中 k=0k=0 对应的等式自动成立。其余等式要求节点上的离散分布与归一化测度具有相同的前 mm 阶矩。

对于 [−1,1][-1,1] 上的普通积分,这些条件变为

1n∑j=1nxjk={0,k odd,1k+1,k even.\frac{1}{n}\sum_{j=1}^{n}x_j^k = \begin{cases} 0, & k\text{ odd},\\[2mm] \dfrac{1}{k+1}, & k\text{ even}. \end{cases}

这些条件构成关于节点坐标的非线性方程组,而非线性方程组,尽管每个条件都以幂之和的形式表达。对称的节点集会自动满足所有奇数阶矩方程。

例如,

∫−11f(x) dx≈f ⁣(−13)+f ⁣(13)\int_{-1}^{1}f(x)\,dx \approx f\!\left(-\frac{1}{\sqrt3}\right) + f\!\left(\frac{1}{\sqrt3}\right)

是一个代数精度为 33 的等权公式。它同时也是两节点高斯–勒让德公式。

与高斯求积的关系

一般的 nn 节点求积公式形如

Qn(f)=∑j=1nwjf(xj).Q_n(f)=\sum_{j=1}^{n}w_jf(x_j).

对于支集足够丰富且各阶矩有限的正测度,高斯求积通过同时选择节点和权重,达到 2n−12n-1 次代数精度。其节点是相应正交多项式族中 nn 次多项式的零点。

等权求积施加了额外的约束:

w1=⋯=wn=Mn.w_1=\cdots=w_n=\frac{M}{n}.

因此,在节点数相同的情况下,它通常无法达到高斯求积的代数精度。寻找这样的公式就变成了一个关于存在性和节点配置的问题,而不只是计算通常的高斯节点。

多项式代数精度的上界可以直接理解。对于任意 nn 个互异节点,定义

p(x)=∏j=1n(x−xj)2.p(x)=\prod_{j=1}^{n}(x-x_j)^2.

该多项式的次数为 2n2n,处处非负,且在每个节点处都为零。因此 Qn(p)=0Q_n(p)=0,但只要测度并非集中在这些节点上,它的积分就为正。在这种情况下,任何这样的公式都不可能对所有 2n2n 次多项式精确成立。

因此,等权求积文献中的一个核心问题是:对于给定测度和目标代数精度 mm,需要多少个节点?答案在很大程度上取决于测度。此外,不同表述对于是否允许节点重复也有不同规定。

第一类高斯–切比雪夫求积

最常见的显式切比雪夫求积公式针对的是

I(f)=∫−11f(x)1−x2 dx.I(f)=\int_{-1}^{1}\frac{f(x)}{\sqrt{1-x^2}}\,dx.

其权函数为

w(x)=11−x2.w(x)=\frac{1}{\sqrt{1-x^2}}.

第一类切比雪夫多项式满足

Tn(cos⁡θ)=cos⁡(nθ).T_n(\cos\theta)=\cos(n\theta).

它们的零点给出求积节点:

xj=cos⁡((2j−1)π2n),j=1,…,n.x_j=\cos\left(\frac{(2j-1)\pi}{2n}\right), \qquad j=1,\ldots,n.

所有求积权重均相等:

∫−11f(x)1−x2 dx≈πn∑j=1nf ⁣(cos⁡(2j−1)π2n).\boxed{ \int_{-1}^{1}\frac{f(x)}{\sqrt{1-x^2}}\,dx \approx \frac{\pi}{n}\sum_{j=1}^{n} f\!\left(\cos\frac{(2j-1)\pi}{2n}\right) }.

这一公式对每个次数不超过 2n−12n-1 的多项式 ff 都精确成立。因此,它既是高斯公式,也是等权公式。

角度解释

作代换 x=cos⁡θx=\cos\theta,得到

I(f)=∫0πf(cos⁡θ) dθ.I(f)=\int_0^\pi f(\cos\theta)\,d\theta.

角度节点

θj=(2j−1)π2n\theta_j=\frac{(2j-1)\pi}{2n}

是将 [0,π][0,\pi] 等分为 nn 个子区间后各子区间的中点。因此,该公式是角变量上的中点公式,尽管它的 xx 节点并不等距,而是在 −1-1 和 11 附近较为密集。

多项式精确性也可以通过切比雪夫多项式的余弦表示来理解。对于次数不超过 2n−12n-1 的切比雪夫多项式,等角度求和能够精确再现其加权积分。

误差公式

如果 ff 在 [−1,1][-1,1] 上具有连续的 2n2n 阶导数,那么存在某个 ξ∈(−1,1)\xi\in(-1,1),使得

I(f)−Qn(f)=π22n−1(2n)! f(2n)(ξ).I(f)-Q_n(f) = \frac{\pi}{2^{2n-1}(2n)!}\, f^{(2n)}(\xi).

这里 (2n)!(2n)! 表示阶乘。

这是一个理论余项公式,通常不是可以直接计算的误差估计,因为点 ξ\xi 未知。对于光滑函数,收敛可能很快;对于正则性有限或存在其他奇异性的函数,收敛可能慢得多。

第二类高斯–切比雪夫求积

一种相关的高斯公式采用权函数

w(x)=1−x2.w(x)=\sqrt{1-x^2}.

其节点是第二类切比雪夫多项式 UnU_n 的零点:

xj=cos⁡(jπn+1),j=1,…,n.x_j=\cos\left(\frac{j\pi}{n+1}\right), \qquad j=1,\ldots,n.

公式为

∫−11f(x)1−x2 dx≈πn+1∑j=1nsin⁡2(jπn+1)f ⁣(cos⁡jπn+1).\int_{-1}^{1}f(x)\sqrt{1-x^2}\,dx \approx \frac{\pi}{n+1} \sum_{j=1}^{n} \sin^2\left(\frac{j\pi}{n+1}\right) f\!\left(\cos\frac{j\pi}{n+1}\right).

它同样具有 2n−12n-1 次代数精度,但权重通常不相等。因此,名为“高斯–切比雪夫求积”的公式,不一定是严格等权意义下的切比雪夫求积。

解释与应用

如果将 μ\mu 归一化为概率分布,等权求积公式就是用算术平均值近似期望值:

E[f(X)]≈1n∑j=1nf(xj).\mathbb E[f(X)] \approx \frac{1}{n}\sum_{j=1}^{n}f(x_j).

与普通的蒙特卡洛积分不同,其节点是为满足精确性条件而以确定性方式选取的,并非通过独立随机抽样生成。

当积分本身就包含端点处的平方根倒数权函数时,第一类高斯–切比雪夫求积尤其方便。由于节点和权重都有显式公式,它也适用于涉及切比雪夫展开和逼近论的计算。

不过,权函数必须与问题相匹配。直接对 ff 使用第一类公式,并不能近似无权积分 ∫−11f(x) dx\int_{-1}^{1}f(x)\,dx。尽管该积分可以改写为

∫−11f(x) dx=∫−11f(x)1−x21−x2 dx,\int_{-1}^{1}f(x)\,dx = \int_{-1}^{1} \frac{f(x)\sqrt{1-x^2}}{\sqrt{1-x^2}}\,dx,

变换后的分子却可能失去端点处的光滑性。因此,加权公式具有很高的代数精度,并不自动意味着它对无权积分也能取得同样良好的效果。