企业官网建设流程全解析

先说结论

高次多项式插值在两端振荡，常见的解释是"次数太高了"。这个解释不对，或者说只抓到了表象。

真正的原因是三句话：

多项式是全局刚性的。所有系数共同决定每一点的值，你没法只在局部修一修。

区间两端的约束天生不足。内部的点左右都有邻居夹着，两端的点只有单侧邻居，那里的行为更像外推而不是插值。

等间距采样恰好在最需要信息的地方给得最少。

三者叠在一起，误差放大倍数随次数呈2n2^n2n增长。次数一上去就立刻崩。

为什么"次数太高"是个错解释

因为有一个很干脆的反例。

同样的函数、同样的次数，只把采样点改成两端密、中间疏，振荡就消失了。这种摆法叫切比雪夫节点：

xk=cos⁡ ⁣(kπn)x_k = \cos\!\left(\frac{k\pi}{n}\right)xk​=cos(nkπ​)

在这个分布下，Runge 函数做到1000 次多项式都能收敛到机器精度。

次数一个字没改。变的只有点的位置。

等间距（11 点）—— 均匀铺开，两端稀疏 ●────●────●────●────●────●────●────●────●────● -1.0 0.0 1.0 ↑ 两端和中间一样稀 ↑ 切比雪夫（11 点）—— 两端挤在一起 ●─●───●─────●───────●───────●─────●───●─● -1.0 0.0 1.0 ↑↑ ↑↑ 两端加密 两端加密

所以"次数高"不是病因，它只是把病因放大了。病因是采样分布和多项式的需求不匹配。

全局刚性意味着什么

这是整件事的根。

一个nnn次多项式由n+1n+1n+1个系数完全确定，而每个系数都影响每一点的值。你挪动一个采样点，整条曲线从头到尾都会重排。

这跟分段函数完全不同。分段函数你改一段，别的段不动。多项式没有"段"的概念——它是一个整体，一动全动。

刚性本身不是坏事。坏的是刚性加上约束分布不均。

想象一根钢条，你要把它固定成某个形状。钢条很硬（刚性），你在上面钉了一排钉子。中间的钉子每一颗都被左右邻居协同约束着，位置很确定。但最外侧那两颗钉子，外侧没有任何东西拉住它——钢条在那里可以自由翘起来。

●───●───●───●───●───●───●───●───●───● ↑ ↑ 只有右侧有邻居 只有左侧有邻居 外侧无约束 → 自由翘起 外侧无约束 → 自由翘起

钢条越硬（次数越高），翘得越远。

为什么端点处是"外推"

这个说法值得展开一下，因为它解释了为什么问题只出在两端。

插值是在已知点之间求值，外推是在已知点之外求值。外推不稳定是常识。

区间端点的处境很微妙：它在数据范围之内，但邻域有一半在数据范围之外。多项式在那附近的行为，受到的有效约束只有单侧，所以它表现得更接近外推。

区间内部 区间端点 ←─ 数据 ─●─ 数据 ─→ ←─ 数据 ─● （无数据） 双侧约束，稳定 单侧约束，接近外推

这就是为什么振荡的位置永远在两端，而且越靠边越厉害。中间那一段其实拟合得很好——误差分布是明确的两极分化，不是整体退化。

所以等间距错在哪

把上面几点连起来，答案就是一句话：

多项式在区间两端需要更密的采样才能被钉住，等间距分布却给了和中间一样的密度。

这是一个供需错配。两端的约束需求最大，供给却和别处相同。

切比雪夫节点做的事就是把供给往需求大的地方调。那个cos⁡\coscos函数本质上是在把均匀分布的角度映射到xxx轴上——角度均匀，投影到直线上就自然两端密、中间疏。

在圆上均匀取角度，投影到 x 轴： ● ● ● ● ● ● ● ● ● ● ● ● ● ● ↓ ↓ ↓ ↓ ↓ ↓ ●─●──●────●────●──●─● ← 两端自动变密

不是人为凑的分布，是从几何上自然长出来的。

这个认知的实际用处

知道病因在"分布"而不在"次数"，会改变你的处理方式。

如果你能选采样点，就按切比雪夫分布采。这在拟合解析函数、做查找表、预计算光照曲线时都可行。同样的次数，精度提升可以差几个数量级。

如果采样点由别人给定（关卡编辑器里的航点、动画师 K 的关键帧、从设备读来的数据），那你就改不了分布。这时唯一的出路是换方法。

这正是样条存在的理由。

样条怎么绕开这件事

样条没有解决这个问题，它绕开了。

三个关键变化，正好对上前面说的三个病因：

次数钉死在 3，于是2n2^n2n那个指数放大器被掐住了。一段三次曲线最多两个拐点，翻不起浪来。

提高精度靠加段而不是升次，于是"想更准"和"会更不稳"解耦了。

刚性从全局变成局部，于是动一个点只影响邻近两段。两端的约束不足，影响范围也被限制在最边上那一段。

高次多项式 三次样条 一条 20 次曲线 7 段三次曲线 ╮ ╭ ╭──╮ ╭──╮ ╭──╮ ╭── │ 一动全动，两端失控 │ │ │ │ │ │ │ │ ╰──────────────────────╯ ╰──╯──╰──╯──╰──╯──╰── ↑ ↑ ↑ 接缝处约定连续性

代价是你从此得管接缝——得决定每个接缝做到 C¹ 还是 C²。但这笔交易很划算：把一个全局的、指数爆炸的问题，换成了一堆局部的、可精确控制的接缝条件。

全局的坏问题，换成局部的好问题。这是数值方法里反复出现的套路。

一分钟验证

不用相信上面任何话，跑一遍就有答案：

importnumpyasnpdefrunge(x):return1.0/(1.0+25.0*x**2)xs=np.linspace(-1,1,20000)truth=runge(xs)fornin[11,21,41]:forname,nodesin[("等间距 ",np.linspace(-1,1,n)),("切比雪夫",np.cos(np.arange(n)*np.pi/(n-1))),]:p=np.polyval(np.polyfit(nodes,runge(nodes),n-1),xs)print(f"{n:>3}点{name}最大误差{np.abs(p-truth).max():>14.4f}")

重点看两件事：

等间距那几行，误差随点数一路膨胀。

切比雪夫那几行，次数完全相同，误差却一路下降。

同样的函数，同样的次数，只换了点的位置。这一组数字就是整篇文章的全部证据。

带走

不是次数太高，是点摆错了位置。

多项式全局刚性，两端约束不足，而等间距采样偏偏在两端给得最少——三件事叠起来，误差按2n2^n2n放大。

能控制采样点，就往两端加密。不能控制，就别用高次多项式，改用分段三次样条。

想要更精确，不是升次，是分段。