Chebyshev Polynomials 与现代计算

这是一个非常敏锐且切中要害的问题！

你完全抓住了重点：切比雪夫多项式 (Chebyshev Polynomials)T n ( x ) T_n(x)Tn​(x)的正交区间（以及最佳逼近性质的“主场”）确实是在[ − 1 , 1 ] [-1, 1][−1,1]上。

既然如此，计算机如何计算 sin(100) 或者 sin(10000) 这种x xx远超[ − 1 , 1 ] [-1, 1][−1,1]范围的值呢？

答案在于计算机底层数学库实现中的一个关键步骤：规约 (Range Reduction)。

计算机并不是直接对任意x xx进行逼近，而是通过“移花接木”把所有问题都拉回到[ − 1 , 1 ] [-1, 1][−1,1](或类似的小区间) 解决。以下是详细的“三步走”流程：

第一步：区间规约 (Argument Reduction) —— 把x xx拉回小范围
这是最关键的一步。利用三角函数的周期性和对称性。

假设你要计算sin ⁡ ( x ) \sin(x)sin(x)，无论x xx有多大（比如x = 100.5 x=100.5x=100.5）：

利用周期性 (2 π 2\pi2π)：

计算机首先会将x xx除以2 π 2\pi2π取余数。

x = k ⋅ 2 π + r , 其中 r ∈ [ 0 , 2 π ) x = k \cdot 2\pi + r, \quad \text{其中 } r \in [0, 2\pi)x=k⋅2π+r,其中r∈[0,2π)

因为sin ⁡ ( x ) = sin ⁡ ( r ) \sin(x) = \sin(r)sin(x)=sin(r)，所以我们只需要算sin ⁡ ( r ) \sin(r)sin(r)。

利用对称性 (进一步缩小)：

区间[ 0 , 2 π ] [0, 2\pi][0,2π]还是太宽了。利用sin ⁡ ( x ) \sin(x)sin(x)的对称性（如sin ⁡ ( π − x ) = sin ⁡ ( x ) \sin(\pi - x) = \sin(x)sin(π−x)=sin(x)等），我们可以把r rr进一步映射到极小的区间，通常是[ − π 4 , π 4 ] [-\frac{\pi}{4}, \frac{\pi}{4}][−4π​,4π​]甚至更小。

为什么要这么小？ 因为在这个小区间内，sin ⁡ ( x ) \sin(x)sin(x)非常接近直线y = x y=xy=x，函数非常平滑，用低阶多项式就能达到极高的精度。

结论：经过这一步，无论你输入的x xx是多少，计算机真正需要处理的变量x ′ x'x′已经被限制在了[ − π 4 , π 4 ] [-\frac{\pi}{4}, \frac{\pi}{4}][−4π​,4π​](大约[ − 0.78 , 0.78 ] [-0.78, 0.78][−0.78,0.78]) 之间。这已经完全落在切比雪夫多项式的“舒适区”[ − 1 , 1 ] [-1, 1][−1,1]内部了。

第二步：变量代换 (Change of Variables) —— 线性映射
即使规约后的区间是[ a , b ] [a, b][a,b]（比如[ − π / 4 , π / 4 ] [-\pi/4, \pi/4][−π/4,π/4]），如果不完全是[ − 1 , 1 ] [-1, 1][−1,1]，我们也可以通过简单的线性变换将它映射到切比雪夫定义的[ − 1 , 1 ] [-1, 1][−1,1]上。

假设我们要逼近函数f ( t ) f(t)f(t)在t ∈ [ a , b ] t \in [a, b]t∈[a,b]上的值：

令

x = 2 t − ( b + a ) b − a x = \frac{2t - (b+a)}{b-a}x=b−a2t−(b+a)​

当t tt在[ a , b ] [a, b][a,b]上变化时，新的变量x xx就在[ − 1 , 1 ] [-1, 1][−1,1]上变化。

然后我们构造：

f ( t ) ≈ ∑ k = 0 n c k T k ( x ) f(t) \approx \sum_{k=0}^{n} c_k T_k(x)f(t)≈k=0∑n​ck​Tk​(x)

但在实际的 numpy 或 C 语言数学库 (libm) 实现中，通常更加简单粗暴：

因为规约后的区间通常是固定的（比如就是[ − π / 4 , π / 4 ] [-\pi/4, \pi/4][−π/4,π/4]），工程师会预先算好一组针对这个区间的系数。

第三步：为什么用切比雪夫？(Minimax 性质)
你可能疑惑：既然都缩到了 0 附近，泰勒级数x − x 3 / 3 ! + … x - x^3/3! + \dotsx−x3/3!+…以前几项不是已经很准了吗？

区别在于“误差分布”：

泰勒级数 (Taylor Series)：

它是“偏科”的。它在x = 0 x=0x=0处极其精准（误差为0），但随着x xx远离 0（接近π / 4 \pi/4π/4），误差会指数级爆炸增长。

为了保证边缘（π / 4 \pi/4π/4）的精度，你不得不保留很多项，这会增加计算量。

切比雪夫逼近 (Chebyshev Approximation)：

它是“公平”的。利用切比雪夫多项式构造的逼近，其误差在整个[ − 1 , 1 ] [-1, 1][−1,1]区间内是均匀分布的（Equioscillation property，等波荡性质）。

这被称为 Minimax 原理：它能使“最大误差”最小化。

优势：在达到同样精度的前提下，切比雪夫逼近所需的多项式阶数比泰勒级数更低。这意味着 CPU 只需要做更少的乘法和加法就能算出结果，这对高性能计算（如 NumPy）至关重要。

总结：计算机底层的真实操作
当你调用 numpy.sin(100) 时，底层发生的事情大概是这样的（简化版）：

Reduction: 发现100 ≈ 15 × 2 π + 5.75 100 \approx 15 \times 2\pi + 5.75100≈15×2π+5.75。映射到基本区间，最后变成计算sin ⁡ ( − 0.53 ) \sin(-0.53)sin(−0.53)（假设值）。

Polynomial Calculation: 此时变量x = − 0.53 x = -0.53x=−0.53，在[ − 1 , 1 ] [-1, 1][−1,1]之间。

计算机调用一个预先写死的“多项式公式”（这个公式的系数c 0 , c 1 , … c_0, c_1, \dotsc0​,c1​,…是当年开发这个库的人用切比雪夫方法或 Remez 算法算出来的“最佳系数”）。

Result = x + c 3 x 3 + c 5 x 5 + … \text{Result} = x + c_3 x^3 + c_5 x^5 + \dotsResult=x+c3​x3+c5​x5+…

Reconstruction: 根据第一步所在的象限，决定结果的正负号。

所以，切比雪夫多项式的定义域[ − 1 , 1 ] [-1, 1][−1,1]并不是限制，反而是一个标准。我们通过“规约”把全世界的数字都塞进这个标准里，然后用最高效的多项式算出结果。