切比雪夫逼近理论
概述
切比雪夫逼近理论研究在一致范数（$L^\infty$）意义下的最优函数逼近问题：在所有 $n$ 次多项式中找到使最大偏差最小的那一个。核心成果是等振荡定理（Equioscillation Theorem）——最佳逼近的误差恰好在 $\geq n+2$ 个点上交替达到正负极大值。该理论由帕夫努季·利沃维奇·切比雪夫于 1854–1857 年从机械连杆设计问题中发展而来，是逼近论（Approximation Theory）的理论基石。
关键内容
Minimax 逼近问题
问题：$f \in C[a,b]$，在所有次数 $\leq n$ 的多项式 $\mathcal{P}_n$ 中求：
$$E_n(f) = \min_{p_n \in \mathcal{P}n} |f - p_n|\infty = \min_{p_n \in \mathcal{P}n} \max{x \in [a,b]} |f(x)-p_n(x)|$$
$p_n^$ 称为最佳一致逼近多项式*（best uniform approximation）。
等振荡定理
Chebyshev 等振荡定理：$p_n^$ 是 $f$ 的最佳一致逼近多项式，当且仅当误差 $e(x) = f(x)-p_n^(x)$ 在 $[a,b]$ 上至少存在 $n+2$ 个点 $x_0 < x_1 < \cdots < x_{n+1}$，满足：
$$e(x_i) = (-1)^i \lambda \cdot |e|_\infty, \quad \lambda = \pm 1$$
即误差在至少 $n+2$ 个点上交替取到正负最大值，称为等振荡（equioscillation）。
唯一性：最佳一致逼近多项式唯一。
直觉：如果某段区间的误差比全局最大值小很多，意味着那里"精度过剩"。可以牺牲那里的精度来改善其他区域，降低全局最大误差。只有当误差无处可以"牺牲"——即处处都等振荡到极值——才达到了真正的最优。
历史备注：切比雪夫在 1854 年给出了"最佳逼近$\Rightarrow$等振荡"的必要性论证；"等振荡$\Rightarrow$最佳逼近"的充分性由 Borel（1905）或 Kirchberger（1902）严格证明。
切比雪夫节点——最优插值节点
用 $n+1$ 个点插值时，误差为：
$$f(x) - p_n(x) = \frac{f^{(n+1)}(\xi)}{(n+1)!}\prod_{i=0}^n (x-x_i)$$
要最小化 $\max|\prod(x-x_i)|$，最优节点是 $T_{n+1}(x)$ 的零点（切比雪夫节点）：
$$x_k = \cos!\left(\frac{2k-1}{2(n+1)}\pi\right), \quad k=1,\ldots,n+1$$
此时 $\max|\omega_{n+1}(x)| = 1/2^n$，是所有节点选择中的最小值。切比雪夫节点在端点附近更密集，从而克服龙格现象。
切比雪夫级数展开
光滑函数的切比雪夫展开：
$$f(x) = \sum_{k=0}^{\infty} c_k T_k(x), \quad c_k = \frac{2}{\pi}\int_{-1}^1 \frac{f(x)T_k(x)}{\sqrt{1-x^2}}dx$$
截断 $\sum_{k=0}^N c_k T_k(x)$ 接近最佳一致逼近（差距 $\leq O(\log n)$ 倍），且因 $c_k$ 可由计算 DCT（离散余弦变换）高效得到，这是实用中最常用的形式。
与 L² 逼近的比较
| 维度 | 切比雪夫（$L^\infty$） | 傅里叶/最小二乘（$L^2$） |
|---|---|---|
| 优化目标 | 最坏情况误差 | 平均误差（均方） |
| 适用场景 | 工程公差、函数求值精度 | 信号能量、统计估计 |
| 最优性刻画 | 等振荡定理 | Bessel 不等式 |
主要应用
| 应用 | 描述 |
|---|---|
| 数学函数库 | Intel MKL、GLIBC 中三角/指数函数实现广泛使用切比雪夫或有理逼近 |
| 谱方法 | 切比雪夫多项式作为全局基函数，指数级收敛速度 |
| Clenshaw-Curtis 求积 | 1960年，使用切比雪夫极值点为节点，可借助 FFT 计算权重 |
| Remez 算法 | 1934年，计算最佳一致逼近的迭代算法，数字滤波器设计（Parks-McClellan）基础 |
| 有理逼近 | Pade 逼近和最佳有理逼近的理论框架 |
局限性
- 一元适用最佳：多元等振荡定理复杂，节点选择困难
- 依赖光滑性：不光滑函数收敛退化，可能出现吉布斯（Gibbs）现象
- 计算最佳逼近较难：Remez 算法在高次时数值困难；截断切比雪夫级数≠最佳一致逼近（但实系差别很小）
来源
- raw/books/数值分析/07_chebyshev_approximation.md