带自适应节点选择的函数样条逼近方法及相关开源库咨询

Python 优先适配方案 #

• adaptive 库：专门面向高成本函数的自适应采样工具，可自动识别函数变化剧烈区域提高采样密度，平缓区域减少采样点，完全匹配需求场景，采样完成后可直接基于输出的非均匀点集拟合样条。
• scipy.interpolate.UnivariateSpline：Scipy 内置的单变量样条工具，支持通过平滑因子s自动控制节点数量，无需手动指定节点位置，输入采样点集后会自动优化节点分布，在拟合精度和节点数量之间做平衡。
• pwlf 库：支持自动搜索最优分段点的分段拟合工具，可先通过该工具得到最优分段位置，再基于分段点作为样条节点构造自定义阶数的样条。

其他语言可用实现 #

• C++：GNU 科学库 GSL 的gsl_spline模块内置自适应节点调整功能，CGAL 计算几何库的样条拟合模块支持基于误差的自适应节点优化，也可基于 Eigen 库的样条扩展模块自行实现节点细分逻辑。
• Julia：Interpolations.jl 原生支持自适应样条构造，也可搭配AdaptiveSampling.jl和Splines.jl实现高成本函数的采样+拟合全流程，性能优于Python实现，适合超大规模拟合需求。

快速使用示例 #

针对高成本函数的自适应采样+样条拟合完整流程示例如下：

import adaptive
from scipy.interpolate import UnivariateSpline

# 替换为实际的高成本待拟合函数
def target_func(x: float) -> float:
    return x**3 * (1 + 0.5 * x % 2)  # 示例非平滑函数

# 定义函数定义域，初始化自适应采样器
learner = adaptive.Learner1D(target_func, bounds=(-5, 5))
# 配置采样终止条件：采样点达到1000个，或全局拟合误差低于1e-5
runner = adaptive.Runner(learner, goal=lambda l: l.npoints >= 1000 or l.loss() < 1e-5)
runner.ioloop.run_until_complete(runner.task)

# 提取有序的采样点集
x_samples, y_samples = zip(*sorted(learner.data.items()))
# 拟合自适应节点的样条，s参数控制平滑程度
spline_model = UnivariateSpline(x_samples, y_samples, s=1e-5)

# 调用样条快速求值
# y_pred = spline_model(x_new)

补充说明 #

如果已经预先采集了一批函数值，无需额外采样，可直接将采样点传入UnivariateSpline，调整平滑因子s即可得到对应精度的自适应节点样条：s值越小拟合精度越高、节点数量越多，s值越大平滑度越高、节点数量越少。
如果需要完全自定义节点优化逻辑，可通过递归细分实现：先取少量初始节点拟合样条，逐个区间计算拟合误差，误差超过阈值的区间插入新节点，重复迭代直到所有区间符合精度要求，整体实现代码量不超过100行。

内容的提问来源于stack exchange，提问作者Adam Ryczkowski