查看: 2171|回复: 0

龙格振荡现象——（随着插值节点）的增加

字体大小: 正常放大

1175 主题	4 听众	2838 积分

该用户从未签到

电梯直达

1^#

发表于 2023-11-24 11:03 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

当我们用计算机来模拟一些变化很快或者很慢的现象时，有时候会遇到一个问题，叫做龙格振荡。这个问题的本质就是我们选择的计算方法不够适合处理某些类型的问题。
想象一下你在用计算机做一个模拟，其中有一些变化很快，而其他变化相对较慢。有些计算方法可能会在处理这种情况时产生一种奇怪的效应，就好像你的计算结果在某些地方跳动或者爆炸一样。这就是龙格振荡。
解决这个问题的方法有很多，其中包括选择更适合处理这种情况的计算方法，或者调整计算的方式，使得计算机在处理快慢变化的情况时更加稳定。这就好比你在开车时需要根据路况来调整车速，以避免颠簸或者溜车一样。
总的来说，龙格振荡是计算中一个需要特别小心处理的问题，但通过选择合适的方法和调整计算方式，我们通常能够避免或者减轻这种问题。
"龙格振荡"是数值计算中的一种数值不稳定现象，通常与数值积分方法的特性有关。这一现象得名于数学家龙格（Richard von Mises）。
背景：
在数值计算中，我们经常需要使用数值方法来求解微分方程或积分问题，因为许多问题并没有解析解。其中一种常见的数值积分方法是龙格-库塔法（Runge-Kutta method）。
龙格振荡的原因：

1.刚性问题：龙格振荡通常与刚性问题（stiff problem）相关。刚性问题是指微分方程中的某些部分变化很快，而其他部分变化较慢，导致在一些区域上的步长需要很小。
2.数值积分方法选择：有些数值积分方法对刚性问题的处理不够有效，导致数值解的振荡。

表现形式：
在数值计算中，如果龙格振荡发生，通常会表现为数值解的振荡或爆炸。这是因为数值方法没有正确地捕捉到微分方程中的快速变化。
解决方法：

3.选择适当的数值方法：对于刚性问题，选择适当的数值积分方法非常重要。有些高阶的龙格-库塔方法在处理刚性问题时表现更好。
4.自适应步长：使用自适应步长控制方法，使步长在需要的地方变小，从而更好地适应问题的特性。
5.隐式方法：隐式方法通常对刚性问题更稳定，因为它们不需要像显式方法那样满足严格的稳定性条件。

在插值算法中，一种常见的问题是使用高次多项式进行插值，特别是在节点之间的函数变化很大的情况下。这可能导致龙格振荡的问题。为了更清楚地说明这一点，让我们考虑一个简单的例子，使用高次多项式进行插值。
假设我们有一组数据点 (xi, yi)，我们想要通过这些点拟合一个多项式，并在两个相邻的数据点之间进行插值。我们选择一个高次多项式，例如二次多项式，通过这些点进行插值。

import numpy as np
) ]' z; p% t% x. X8 K4 X
import matplotlib.pyplot as plt: a: i1 O6 J: ~/ e5 C! f
from scipy.interpolate import interp1d
+ d% F8 u) i; m# Z9 }2 a
! h8 H$ x4 K4 }
# 生成一组数据( r' {; S+ z: n: U; G
x = np.array([0, 1, 2, 3, 4])
# x( U8 e: [. {7 F$ i
y = np.array([0, 1, 4, 9, 16])) W- |0 h. i! C9 V
* |- Y( s% g/ w\\" X7 j* j3 g
# 使用二次多项式进行插值* g! j$ {4 n4 }+ C4 S
poly_interp = interp1d(x, y, kind='quadratic')
6 Y# l S' p\\" d8 Y! Y* F& q6 R
9 P3 K) J, ^( x\\" }) N' m0 m: O
# 在原始数据点之间生成更密集的点8 l2 R; w' A, i- J5 O1 U
x_interp = np.linspace(0, 4, 100)
9 u/ k- f/ I. u$ n3 v- N& `5 K
y_interp = poly_interp(x_interp)+ y7 f: z! f- u( c% E2 k
, t6 _# p3 M9 |; g/ Y5 N
# 绘制插值结果
) v- \4 n. A1 B, A4 Y/ m. I- G! v
plt.scatter(x, y, label='原始数据')
& n! @8 n! u: r% |/ z
plt.plot(x_interp, y_interp, label='二次多项式插值', linestyle='dashed')
8 Y6 j3 d! j! k: @6 k, J
plt.legend()
! ^3 F\\" Y) X! ~/ P% S2 T; T, W
plt.show()

import numpy as np 
) ]' z; p% t% x. X8 K4 X
import matplotlib.pyplot as plt: a: i1 O6 J: ~/ e5 C! f

from scipy.interpolate import interp1d 
+ d% F8 u) i; m# Z9 }2 a
 
! h8 H$ x4 K4 }
# 生成一组数据( r' {; S+ z: n: U; G

x = np.array([0, 1, 2, 3, 4]) 
# x( U8 e: [. {7 F$ i
y = np.array([0, 1, 4, 9, 16])) W- |0 h. i! C9 V

* |- Y( s% g/ w\\" X7 j* j3 g
# 使用二次多项式进行插值* g! j$ {4 n4 }+ C4 S

poly_interp = interp1d(x, y, kind='quadratic') 
6 Y# l  S' p\\" d8 Y! Y* F& q6 R
9 P3 K) J, ^( x\\" }) N' m0 m: O

# 在原始数据点之间生成更密集的点8 l2 R; w' A, i- J5 O1 U

x_interp = np.linspace(0, 4, 100) 
9 u/ k- f/ I. u$ n3 v- N& `5 K
y_interp = poly_interp(x_interp)+ y7 f: z! f- u( c% E2 k

, t6 _# p3 M9 |; g/ Y5 N
# 绘制插值结果 
) v- \4 n. A1 B, A4 Y/ m. I- G! v
plt.scatter(x, y, label='原始数据') 
& n! @8 n! u: r% |/ z
plt.plot(x_interp, y_interp, label='二次多项式插值', linestyle='dashed') 
8 Y6 j3 d! j! k: @6 k, J
plt.legend() 
! ^3 F\\" Y) X! ~/ P% S2 T; T, W
plt.show()

在上述例子中，我们用二次多项式对一些简单的数据点进行插值。这样的插值可能在某些情况下会导致龙格振荡，尤其是当多项式的次数很高时。这是因为高次多项式在插值区间的一些地方可能表现得非常不稳定，导致插值结果在某些地方出现剧烈变化。
解决这个问题的一种方法是使用更低次数的多项式或者其他更稳定的插值方法，如样条插值。通过选择适当的插值方法，我们可以避免龙格振荡问题，确保插值结果在各个区间都相对稳定。

zan