基于拉格朗日混合的伯恩斯坦逼近加速方法

《Mathematics and Computers in Simulation》：Accelerating Bernstein approximation by Lagrange-based hybridization

　　奥克塔伊·杜曼|埃斯拉·埃尔库什-杜曼
摘要：本文提出了一种基于拉格朗日的混合技术，用于加速伯恩斯坦型逼近。其核心思想是用在等距节点的受限滑动窗口上构建的固定阶数局部拉格朗日插值函数来替代伯恩斯坦型方案中的点样本，然后通过伯恩斯坦权重对这些局部多项式进行聚合。这样一来，所提出的算子既保持了伯恩斯坦型平均法的稳定效果和端点控制能力，又融入了更高阶的局部信息。我们研究了线性伯恩斯坦-拉格朗日混合算子及其非线性的最大乘积对应算子。对于足够光滑的函数，我们得到了改进的一致逼近率，表明随着局部插值阶数的增加，收敛阶也会提升。该构造还可通过张量积局部插值扩展到多变量情形，此时逼近行为由坐标方向中最低的局部阶数决定。数值实验展示了该方法相比传统伯恩斯坦算子和最大乘积伯恩斯坦算子的优势，以及其对龙格型振荡的抑制作用。最后，还介绍了一个基于水平集的几何应用，展示了多变量混合算子如何用于隐式曲面逼近以及对称加厚零水平集的豪斯多夫收敛。

引言：经典伯恩斯坦多项式在构造性逼近中占据核心地位。它们为魏尔斯特拉斯定理提供了著名的构造性证明，也是正线性逼近过程的原型[1]。它们的优势不仅在于收敛性，还在于稳定性：具有正定性、端点稳定性，且能保留目标函数的定性特征。但这种稳定性的代价是收敛速度较慢，属于“方差型”收敛。实际上，对于最小正则性的函数，其收敛阶通常为O(n?1/2)，这反映了伯恩斯坦平均法的概率特性。当函数具有更多光滑性时，伯恩斯坦逼近会有所改善，但提升幅度有限。一个经典结论是：若函数f是利普希茨连续的，甚至其导数f′也是利普希茨连续的（即f具有利普希茨一阶导数），那么伯恩斯坦算子的一致误差阶为O(1/n)。此外，除了f为常数或仿射函数（此时伯恩斯坦逼近是精确的）这类平凡情况外，即便对于更光滑的函数，也不应期望从传统伯恩斯坦方案中获得显著更快的全局收敛速率。从这个意义上说，伯恩斯坦算子表现出真正的饱和型行为：超出一定阈值的正则性并不会自动转化为更高的渐近阶数。这种饱和现象引出了以下自然问题：能否在保持伯恩斯坦型平均法的稳定性和端点行为的同时，提高光滑函数的逼近阶数？实现更高精度的一种经典方法是多项式插值。例如，拉格朗日插值至少在局部范围内能够实现对光滑目标的高阶逼近。然而，在等距节点上直接使用插值方法存在明显缺陷：全局拉格朗日插值在端点附近可能会产生较大的振荡（即龙格现象），而这在稳定的逼近过程中是不可接受的。值得提及的是，基于拉格朗日插值的混合方法已被证明是加速其他逼近过程的有效手段。例如，局部插值修正已被用于改善多种谢泼德型算子及神经网络型算子的收敛性能，从而得到极为出色的逼近估计；参见[2]、[3]、[4]、[5]、[6]、[7]。据我们所知，目前文献中尚未系统地发展此类基于拉格朗日的混合方法用于伯恩斯坦型算子。这一空白促使我们开展本研究。

本文提出了一种混合策略，旨在平衡这些相互矛盾的需求：利用局部拉格朗日插值提升精度，再通过伯恩斯坦型权重对其进行聚合以实现稳定性。我们的构造具有局部性，即它在连续等距节点的短滑动窗口上使用拉格朗日插值，并在端点附近采用受限处理方式。这一局部步骤能够引入更高阶的信息，同时避免在均匀网格上的全局插值可能出现的严重端点振荡。随后，伯恩斯坦型平均法则起到稳定作用，可减弱残余振荡，使逼近结果在0和1附近保持良好行为。因此，所提出的算子避免了与高阶全局插值相关的典型龙格型效应。总之，本文旨在实现两个主要目标：(G1)加速：通过引入固定阶数的局部拉格朗日插值，提高伯恩斯坦型算子的逼近阶数；(G2)稳定性：通过精心设计的局部与平均混合构造，在提升逼近阶数的同时消除不良效应，尤其是龙格型振荡。在全文中，C([0,1])表示定义在[0,1]上的连续实值函数空间，其范数为?f∞?supx∈[0,1]|f(x)|；Cm([0,1])则表示m次连续可微函数空间。对于n∈N，伯恩斯坦基函数为?bn,k(x)?(nk)xk(1?x)n?k,x∈[0,1],k=0,1,…,n，而经典的伯恩斯坦算子则为?Bn(f;x)?∑k=0nbn,k(x)fkn。我们还将使用伯恩斯坦算子的最大乘积对应形式。在最大乘积形式中，加权乘积的常规求和被替换为它们的最大值，而普通乘法则保持不变。因此，对于一组非负权重λn,k(x)和采样值f(k/n)，传统的加权平均值∑k=0nλn,k(x)fkn被替换为?k=0nλn,k(x)fkn，其中?表示最大值运算。相应地，对于非负函数f，最大乘积伯恩斯坦算子定义为?Mn(f;x)??k=0nbn,k(x)f(k/n)?j=0nbn,j(x)。或者，通过引入归一化权重?wn,k(x)?bn,k(x)?j=0nbn,j(x)，我们可以将Mn(f;x)表示为?k=0nwn,k(x)fkn。关于最大乘积伯恩斯坦算子的逼近行为及相关性质，可参考[8]、[9]、[10]。

本文结构如下：第2节介绍了基于滑动窗口局部拉格朗日插值（带有受限边界规则）的单变量混合伯恩斯坦-拉格朗日算子，并为光滑函数建立了统一逼近率。第3节通过张量积局部插值将该构造扩展到多变量情形，并证明了相应的收敛阶数。第4节给出了典型的数值测试结果，展示了精度提升和龙格型振荡的抑制效果，同时还概述了该方法在光滑函数加厚零水平集的豪斯多夫收敛中的应用。

单变量混合伯恩斯坦-拉格朗日算子：在本节中，我们将介绍单变量混合伯恩斯坦-拉格朗日算子并确定其统一逼近率。我们将逐步展开说明。首先，明确等距网格上的滑动窗口节点集合，并定义相应的局部拉格朗日插值函数。接着，通过伯恩斯坦型聚合方法将这些局部多项式组合起来，从而得到线性混合算子及其最大乘积变体。最后，证明主要的逼近定理，误差界随之确定。

多变量扩展：现在我们将单变量混合构造扩展到更高维度。核心思路依然不变：我们将携带更高阶信息的局部（滑动窗口）张量积拉格朗日插值与提供平滑效果和稳定性的全局伯恩斯坦型聚合相结合。为便于理解，我们首先详细阐述二元情况，然后再给出一般d变量形式的构造及相应的收敛结论。

数值示例与几何应用：在本节中，我们通过典型的数值数据和一个几何应用来补充理论结果。前两项测试分别报告了一变量和二变量情况下的统一误差，比较了所提出的混合算子与传统伯恩斯坦算子及最大乘积伯恩斯坦算子的性能。第三部分回顾了水平集收敛准则，并说明了如何利用多变量混合逼近方法进行隐式曲面逼近。相关的数值结果也将在文中呈现。

结论：本文提出了一种用于伯恩斯坦型逼近的局部-全局混合原理。其核心思想是通过在受限滑动窗口上使用固定阶数的拉格朗日插值引入更高阶的局部信息，再通过伯恩斯坦（或最大乘积伯恩斯坦）聚合方法来稳定所得多项式。在单变量情况下，我们得到了f∈Cr+1([0,1])时的统一收敛阶为On?(r+1)/2，而在自然非负性条件下，最大乘积混合算子的收敛阶也为同一级别。

作者贡献说明：奥克塔伊·杜曼：写作——审稿与编辑、写作——初稿撰写、可视化、方法论、研究、形式分析、数据整理、概念构思。埃斯拉·埃尔库什-杜曼：写作——审稿与编辑、写作——初稿撰写、可视化、方法论、研究、形式分析、数据整理、概念构思。

致谢：作者感谢编辑和匿名审稿人对本文的仔细审阅。他们的意见和建议使得修订后的版本在表述、范围及解释细节方面有了诸多改进。