2025 高中信息技术数据与计算之算法的埃尔米特插值算法课件

二、埃尔米特插值的基本概念：从“点约束”到“状态约束”演讲人埃尔米特插值的基本概念：从“点约束”到“状态约束”01应用实例与对比分析：从理论到实践的桥梁02埃尔米特插值的原理推导：从基函数构造到一般形式03总结与展望：埃尔米特插值的“数据思维”与未来延伸04目录2025高中信息技术数据与计算之算法的埃尔米特插值算法课件一、引言：从“数据拟合”到“精准刻画”——为什么需要埃尔米特插值？作为一线信息技术教师，我常遇到学生提出这样的困惑：“已知几个离散点的函数值，我们可以用拉格朗日插值画出一条经过所有点的曲线；但如果实验中还测得了这些点的‘变化快慢’（即导数值），能不能让曲线不仅经过这些点，还‘贴合’它们的变化趋势？”这个问题，正是埃尔米特插值算法（HermiteInterpolation）的核心使命。在“数据与计算”模块中，插值算法是连接离散数据与连续模型的桥梁。从初中的线性拟合到高中的拉格朗日插值，学生已掌握通过函数值构造多项式的方法。但现实中的观测数据往往包含更多信息——比如物理实验中，除了记录位移值（函数值），还会记录速度值（导数值）；气象观测中，除了温度数据，还会记录温度变化率（导数）。此时，仅满足函数值的拉格朗日插值可能会“生硬”地穿过点，却无法反映数据的动态特征。埃尔米特插值通过同时约束函数值和导数值，实现了对数据更“细致”的刻画，这正是其在工程计算、计算机图形学中广泛应用的原因。01埃尔米特插值的基本概念：从“点约束”到“状态约束”1回顾：拉格朗日插值的“局限性”拉格朗日插值的核心是：给定n+1个互异点$(x_0,y_0),(x_1,y_1),\dots,(x_n,y_n)$，存在唯一的n次多项式$P_n(x)$，使得$P_n(x_i)=y_i$（$i=0,1,\dots,n$）。这个多项式通过基函数$L_i(x)$的线性组合构造，即$P_n(x)=\sum_{i=0}^ny_iL_i(x)$，其中$L_i(x)=\prod_{\substack{j=0\j\neqi}}^n\frac{x-x_j}{x_i-x_j}$。但拉格朗日插值仅约束了多项式在各点的“位置”（函数值），未约束“斜率”（导数值）。例如，若有两点$(x_0,y_0)$和$(x_1,y_1)$，拉格朗日线性插值得到的是直线，其斜率固定为$\frac{y_1-y_0}{x_1-x_0}$，但实际数据可能在$x_0$处有特定的初始斜率$y_0'$，在$x_1$处有特定的终点斜率$y_1'$，此时直线显然无法满足这两个斜率要求。2埃尔米特插值的定义：更“全面”的插值条件埃尔米特插值的突破在于：不仅要求插值多项式在给定点的函数值与原函数相等，还要求导数值（一阶或更高阶）也相等。数学上，给定m个互异点$x_0,x_1,\dots,x_{m-1}$，每个点对应$k_i$个条件（函数值及1到$k_i-1$阶导数值），则存在唯一的次数不超过$N=\sum_{i=0}^{m-1}k_i-1$的多项式$H_N(x)$，满足：$$H_N^{(j)}(x_i)=f^{(j)}(x_i),\quadi=0,1,\dots,m-1;\j=0,1,\dots,k_i-1$$2埃尔米特插值的定义：更“全面”的插值条件其中，$f^{(j)}(x)$表示$f(x)$的j阶导数，$H_N^{(j)}(x)$是$H_N(x)$的j阶导数。最常见的情况是每个点仅约束函数值和一阶导数值（即$k_i=2$），此时总条件数为$2m$，对应唯一的$2m-1$次埃尔米特多项式。例如，当$m=2$时，两个点各提供2个条件（函数值+一阶导数），共4个条件，对应3次埃尔米特多项式（$2\times2-1=3$）。3与拉格朗日插值的本质区别：约束维度的提升从几何意义看，拉格朗日插值的多项式是“穿过”给定的点，而埃尔米特插值的多项式是“贴住”给定的点——不仅经过点的位置，还与该点的切线方向一致。这就像绘制一条从A到B的曲线，拉格朗日插值只要求起点和终点正确，而埃尔米特插值还要求起点的“出发角度”和终点的“到达角度”与实际一致，这样的曲线更符合真实场景中的运动轨迹或变化规律。02埃尔米特插值的原理推导：从基函数构造到一般形式1基函数构造的核心思想：“独立满足”与“线性组合”与拉格朗日插值类似，埃尔米特插值的多项式也可通过基函数的线性组合构造。其关键在于设计两组基函数：一组基函数$\alpha_i(x)$用于“承载”函数值$y_i$，另一组基函数$\beta_i(x)$用于“承载”导数值$y_i'$，使得最终的插值多项式为：$$H(x)=\sum_{i=0}^{m-1}y_i\alpha_i(x)+\sum_{i=0}^{m-1}y_i'\beta_i(x)$$这些基函数需要满足以下条件（以第i个点为例）：对于函数值基函数$\alpha_i(x)$：1基函数构造的核心思想：“独立满足”与“线性组合”$$\alpha_i(x_j)=\delta_{ij},\quad\alpha_i'(x_j)=0\quad(j=0,1,\dots,m-1)$$即$\alpha_i(x)$在$x_j$处函数值为1（当$j=i$）或0（当$j\neqi$），且在所有$x_j$处导数值为0。对于导数值基函数$\beta_i(x)$：$$\beta_i(x_j)=0,\quad\beta_i'(x_j)=\delta_{ij}\quad(j=0,1,\dots,m-1)1基函数构造的核心思想：“独立满足”与“线性组合”$$即$\beta_i(x)$在$x_j$处函数值为0，导数值为1（当$j=i$）或0（当$j\neqi$）。2以两点三次埃尔米特插值为例：具体推导过程为简化问题，先考虑$m=2$的情况（两个点$x_0,x_1$，每个点提供函数值$y_0,y_1$和导数值$y_0',y_1'$），此时插值多项式为3次多项式$H_3(x)$，满足：$$H_3(x_0)=y_0,\H_3(x_1)=y_1,\H_3'(x_0)=y_0',\H_3'(x_1)=y_1'$$2以两点三次埃尔米特插值为例：具体推导过程步骤1：构造函数值基函数$\alpha_0(x)$和$\alpha_1(x)$以$\alpha_0(x)$为例，它需要满足：$$\alpha_0(x_0)=1,\\alpha_0(x_1)=0,\\alpha_0'(x_0)=0,\\alpha_0'(x_1)=0$$观察拉格朗日基函数$L_0(x)=\frac{x-x_1}{x_0-x_1}$，它满足$L_0(x_0)=1$，$L_0(x_1)=0$，但其一阶导数$L_0'(x)=\frac{1}{x_0-x_1}$在$x_0$处不为0。为了让$\alpha_0(x)$的导数在$x_0$和$x_1$处为0，可以考虑将$L_0(x)$平方，并乘以一个一次多项式$(ax+b)$，即假设：2以两点三次埃尔米特插值为例：具体推导过程$$\alpha_0(x)=(ax+b)L_0^2(x)$$利用条件$\alpha_0'(x_0)=0$：$$\alpha_0'(x)=aL_0^2(x)+(ax+b)\cdot2L_0(x)L_0'(x)$$代入$x=x_0$，由于$L_0(x_0)=1$，$L_0'(x_0)=\frac{1}{x_0-x_1}$，得：2以两点三次埃尔米特插值为例：具体推导过程$$\alpha_0'(x_0)=a+(ax_0+b)\cdot2\cdot\frac{1}{x_0-x_1}=0$$又$\alpha_0(x_0)=ax_0+b=1$（因为$L_0(x_0)=1$），所以$ax_0+b=1$，代入上式得：$$a+2\cdot\frac{1}{x_0-x_1}=0\impliesa2以两点三次埃尔米特插值为例：具体推导过程=-\frac{2}{x_0-x_1}$$再由$ax_0+b=1$，得$b=1-ax_0=1+\frac{2x_0}{x_0-x_1}=\frac{(x_0-x_1)+2x_0}{x_0-x_1}=\frac{3x_0-x_1}{x_0-x_1}$。但更简洁的方法是利用拉格朗日基函数的导数性质。实际上，两点三次埃尔米特插值的基函数可表示为：$$\alpha_0(x)=\left(1+2\cdot\frac{x-x_0}{x_1-x_0}\right)\cdot\left(\frac{x-x_1}{x_0-x_1}\right)^22以两点三次埃尔米特插值为例：具体推导过程$$验证：当$x=x_0$时，$\alpha_0(x_0)=(1+0)\cdot(-1)^2=1$；当$x=x_1$时，$\alpha_0(x_1)=(1+2\cdot\frac{x_1-x_0}{x_1-x_0})\cdot0=0$。求导后，$\alpha_0'(x_0)=0$（因为第二项的平方导致导数在$x_0$处为0），$\alpha_0'(x_1)=0$（同理）。类似地，$\alpha_1(x)=\left(1+2\cdot\frac{x-x_1}{x_0-x_1}\right)\cdot\left(\frac{x-x_0}{x_1-x_0}\right)^2$。2以两点三次埃尔米特插值为例：具体推导过程步骤2：构造导数值基函数$\beta_0(x)$和$\beta_1(x)$以$\beta_0(x)$为例，它需要满足：$$\beta_0(x_0)=0,\\beta_0(x_1)=0,\\beta_0'(x_0)=1,\\beta_0'(x_1)=0$$同样利用拉格朗日基函数的平方，假设$\beta_0(x)=(x-x_0)\cdot\left(\frac{x-x_1}{x_0-x_1}\right)^2$。验证：2以两点三次埃尔米特插值为例：具体推导过程$x=x_0$时，$\beta_0(x_0)=0$；$x=x_1$时，$\beta_0(x_1)=0$。求导得$\beta_0'(x)=\left(\frac{x-x_1}{x_0-x_1}\right)^2+(x-x_0)\cdot2\cdot\frac{x-x_1}{x_0-x_1}\cdot\frac{1}{x_0-x_1}$，代入$x=x_0$，得$\beta_0'(x_0)=\left(\frac{x_0-x_1}{x_0-x_1}\right)^2+0=1$；代入$x=x_1$，得$\beta_0'(x_1)=0+0=0$，满足条件。同理，$\beta_1(x)=(x-x_1)\cdot\left(\frac{x-x_0}{x_1-x_0}\right)^2$。2以两点三次埃尔米特插值为例：具体推导过程组合得到三次埃尔米特插值多项式最终，两点三次埃尔米特插值多项式为：$$H_3(x)=y_0\alpha_0(x)+y_1\alpha_1(x)+y_0'\beta_0(x)+y_1'\beta_1(x)$$3一般形式的推广：从两点到m点的扩展对于m个点，每个点提供函数值和一阶导数值的情况，埃尔米特插值多项式的一般形式为：$$H(x)=\sum_{i=0}^{m-1}y_i\left[1-2(x-x_i)\sum_{\substack{j=0\j\neqi}}^{m-1}\frac{1}{x_i-x_j}\right]L_i^2(x)+\sum_{i=0}^{m-1}y_i'(x-x_i)L_i^2(x)$$其中$L_i(x)$是拉格朗日基函数。这一形式通过基函数的平方和线性调整项，确保了函数值和导数值条件的同时满足。03应用实例与对比分析：从理论到实践的桥梁1物理实验数据拟合：平抛运动的轨迹还原假设在平抛运动实验中，记录了两个时刻的位置和速度数据：时刻$t_0=0$，水平位移$x_0=0$，竖直位移$y_0=0$，水平速度$v_{x0}=5\\text{m/s}$，竖直速度$v_{y0}=0\\text{m/s}$（初始时刻速度水平）；时刻$t_1=2\\text{s}$，水平位移$x_1=10\\text{m}$，竖直位移$y_1=-19.6\\text{m}$（重力加速度$g=9.8\\text{m/s}^2$），水平速度$v_{x1}=5\\text{m/s}$（水平速度不变），竖直速度$v_{y1}=-19.6\\text{m/s}$（$v_y=gt$）。1物理实验数据拟合：平抛运动的轨迹还原我们需要用埃尔米特插值还原竖直位移随时间的变化曲线$y(t)$，已知理论上$y(t)=-\frac{1}{2}gt^2$，是一条抛物线（二次函数），但埃尔米特插值将构造三次多项式，验证其与理论值的吻合度。1物理实验数据拟合：平抛运动的轨迹还原确定插值条件函数值：$y(0)=0$，$y(2)=-19.6$；导数值（速度）：$y'(0)=0$，$y'(2)=-19.6$（$y'(t)=-gt$）。步骤2：构造基函数根据两点三次埃尔米特插值公式：$$\alpha_0(t)=\left(1+2\cdot\frac{t-0}{2-0}\right)\cdot\left(\frac{t-2}{0-2}\right)^2=\left(1+t\right)\cdot\left(\frac{t-2}{-2}\right)^2=\left(1+t\right)\cdot\frac{(t-2)^2}{4}1物理实验数据拟合：平抛运动的轨迹还原确定插值条件$$$$\alpha_1(t)=\left(1+2\cdot\frac{t-2}{0-2}\right)\cdot\left(\frac{t-0}{2-0}\right)^2=\left(1-(t-2)\right)\cdot\frac{t^2}{4}=(3-t)\cdot\frac{t^2}{4}$$$$\beta_0(t)=(t-0)\cdot\left(\frac{t-2}{0-2}\right)^2=t\cdot\frac{(t-2)^2}{4}1物理实验数据拟合：平抛运动的轨迹还原确定插值条件$$$$\beta_1(t)=(t-2)\cdot\left(\frac{t-0}{2-0}\right)^2=(t-2)\cdot\frac{t^2}{4}$$步骤3：计算插值多项式$$H(t)=0\cdot\alpha_0(t)+(-19.6)\cdot\alpha_1(t)+0\cdot\beta_0(t)+(-19.6)\cdot\beta_1(t)1物理实验数据拟合：平抛运动的轨迹还原确定插值条件$$代入$\alpha_1(t)$和$\beta_1(t)$：$$H(t)=-19.6\cdot\frac{(3-t)t^2}{4}-19.6\cdot\frac{(t-2)t^2}{4}=-19.6\cdot\frac{t^2[(3-t)+(t-2)]}{4}=-19.6\cdot\frac{t^2(1)}{4}=-4.9t^2$$这与理论公式$y(t)=-\frac{1}{2}\times9.8t^2=-4.9t^2$完全一致！这说明，当实际函数是二次函数时，虽然埃尔米特插值构造的是三次多项式，但由于导数条件的约束，结果退化为二次多项式，且与真实函数完全吻合。2与拉格朗日插值的对比：精度与适用场景以正弦函数$f(x)=\sinx$为例，取点$x_0=0$（$f(x_0)=0$，$f'(x_0)=1$）和$x_1=\frac{\pi}{2}$（$f(x_1)=1$，$f'(x_1)=0$），分别用拉格朗日线性插值和埃尔米特三次插值近似$f(x)$，比较误差。拉格朗日线性插值：$L(x)=\frac{x}{\pi/2}\cdot1+\frac{\pi/2-x}{\pi/2}\cdot0=\frac{2x}{\pi}$，在$x=\frac{\pi}{4}$处，$L(\frac{\pi}{4})=0.5$，而$\sin(\frac{\pi}{4})\approx0.707$，误差约0.207。2与拉格朗日插值的对比：精度与适用场景埃尔米特三次插值：根据公式计算得$H(x)=x(1-\frac{2x}{\pi})^2+0\cdot\beta_0(x)+0\cdot\beta_1(x)$（具体推导略），在$x=\frac{\pi}{4}$处，$H(\frac{\pi}{4})=\frac{\pi}{4}\left(1-\frac{2\cdot\frac{\pi}{4}}{\pi}\right)^2=\frac{\pi}{4}\left(1-\frac{1}{2}\right)^2=\frac{\pi}{16}\approx0.196$？这显然有误，说明我在基函数代入时可能出错了。哦，正确的埃尔米特插值应包含函数值和导数值的贡献，重新计算：正确的$H(x)=0\cdot\alpha_0(x)+1\cdot\alpha_1(x)+1\cdot\beta_0(x)+0\cdot\beta_1(x)$，其中：2与拉格朗日插值的对比：精度与适用场景$$\alpha_1(x)=\left(1+2\cdot\frac{x-\pi/2}{0-\pi/2}\right)\cdot\left(\frac{x-0}{\pi/2-0}\right)^2=\left(1-2\cdot\frac{x-\pi/2}{\pi/2}\right)\cdot\left(\frac{2x}{\pi}\right)^2=\left(1-\frac{4x}{\pi}+2\right)\cdot\frac{4x^2}{\pi^2}=\left(3-\frac{4x}{\pi}\right)\cdot\frac{4x^2}{\pi^2}$$2与拉格朗日插值的对比：精度与适用场景$$\beta_0(x)=x\cdot\left(\frac{x-\pi/2}{0-\pi/2}\right)^2=x\cdot\left(\frac{2(x-\pi/2)}{\pi}\right)^2=x\cdot\frac{4(x-\pi/2)^2}{\pi^2}$$代入$x=\frac{\pi}{4}$：$$2与拉格朗日插值的对比：精度与适用场景\alpha_1\left(\frac{\pi}{4}\right)=\left(3-\frac{4\cdot\pi/4}{\pi}\right)\cdot\frac{4\cdot(\pi/4)^2}{\pi^2}=(3-1)\cdot\frac{4\cdot\pi^2/16}{\pi^2}=2\cdot\frac{1}{4}=0.5$$$$\beta_0\left(\frac{\pi}{4}\right)=\frac{\pi}{4}\cdot\frac{4\cdot(\pi/4-\pi/2)^2}{\pi^2}=\frac{\pi}{4}\cdot\frac{4\cdot2与拉格朗日插值的对比：精度与适用场景(\pi/4)^2}{\pi^2}=\frac{\pi}{4}\cdot\frac{4\cdot\pi^2/16}{\pi^2}=\frac{\pi}{4}\cdot\frac{1}{4}=\frac{\pi}{16}\approx0.196$$因此$H\left(\frac{\pi}{4}\right)=1\cdot0.5+1\cdot0.196\approx0.696$，与$\sin(\frac{\pi}{4})\approx0.707$的误差约0.011，远小于拉格朗日插值的0.207。这说明，当已知导数信息时，埃尔米特插值能显著提高插值精度。3实际应用场景：