Vandermonde结构及其快速算法详解

1. 引言

在数值计算、多项式插值、编码理论以及信号处理等领域，Vandermonde矩阵是一个极其重要的结构。经典的Vandermonde矩阵定义为：

V=V(x1,x2,...,xn)= $1x1x12\dotsx1n-11x2x22\dotsx2n-1⋮⋮⋮⋱⋮1xnxn2\dotsxnn-1$ V = V(x_1, x_2, \dots, x_n) = \begin{bmatrix} 1 & x_1 & x_1^2 & \cdots & x_1^{n-1} \\ 1 & x_2 & x_2^2 & \cdots & x_2^{n-1} \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 1 & x_n & x_n^2 & \cdots & x_n^{n-1} \end{bmatrix} V=V(x1,x2,...,xn)= 11⋮1x1x2⋮xnx12x22⋮xn2⋯⋯⋱⋯x1n−1x2n−1⋮xnn−1

其中 x1,x2,...,xnx_1, x_2, \dots, x_nx1,x2,...,xn 通常为互异的实数或复数。Vandermonde矩阵之所以被广泛研究，一方面是因为它与多项式插值、离散傅里叶变换（DFT）等经典问题天然相关，另一方面则是因为它具有低位移秩（displacement rank）的结构，使得我们可以设计出远快于通用矩阵的求解算法。

本文将从基本性质出发，介绍Vandermonde矩阵的常见应用，并重点阐述其快速算法的核心思想与复杂度。

2. Vandermonde矩阵的基本性质

2.1 行列式

Vandermonde矩阵的行列式具有封闭形式：

det⁡(V)=∏1≤i<j≤n(xj−xi) \det(V) = \prod_{1 \le i < j \le n} (x_j - x_i) det(V)=1≤i<j≤n∏(xj−xi)

该公式表明：当所有插值节点互异时，矩阵非奇异。行列式的乘积形式在许多理论推导和稳定性分析中都非常重要。

2.2 与多项式的关系

Vandermonde矩阵自然对应于单项式基下的多项式求值。若定义多项式

p(t)=c0+c1t+c2t2+⋯+cn−1tn−1 p(t) = c_0 + c_1 t + c_2 t^2 + \cdots + c_{n-1} t^{n-1} p(t)=c0+c1t+c2t2+⋯+cn−1tn−1

则在节点 x1,...,xnx_1,\dots,x_nx1,...,xn 处的取值向量恰好等于 V⋅cV \cdot \mathbf{c}V⋅c，其中 c=(c0,...,cn−1)T\mathbf{c} = (c_0,\dots,c_{n-1})^Tc=(c0,...,cn−1)T。因此，解线性系统 Vc=yV\mathbf{c} = \mathbf{y}Vc=y 等价于寻找一个次数不超过 n−1n-1n−1 的多项式通过给定点 (xi,yi)(x_i, y_i)(xi,yi)，即多项式插值问题。

2.3 位移结构

Vandermonde矩阵满足简单的位移方程。定义对角矩阵 Dx=diag⁡(x1,...,xn)D_x = \operatorname{diag}(x_1,\dots,x_n)Dx=diag(x1,...,xn) 以及移位矩阵 ZZZ（单位矩阵向右平移一列）。可以验证：

DxV−VZ= $0e1e2...en-1$ D_x V - V Z = \begin{bmatrix} 0 & \mathbf{e}_1 & \mathbf{e}2 & \dots & \mathbf{e}{n-1} \end{bmatrix} DxV−VZ= $0e1e2...en-1$

其中 ei\mathbf{e}_iei 是单位向量。这一关系表明Vandermonde矩阵的位移秩为1，这是设计快速算法的理论基石。

3. 典型应用

多项式插值与逼近：求解插值多项式、构造Gauss求积节点等。
离散傅里叶变换 ：取 xk=ωnk−1x_k = \omega_n^{k-1}xk=ωnk−1（单位根），Vandermonde矩阵即为DFT矩阵，FFT是其快速算法。
线性纠错码：Reed--Solomon码的校验矩阵或生成矩阵常涉及Vandermonde子矩阵。
系统辨识与信号处理：Prony方法、ESPRIT算法等都需要处理Vandermonde结构。

4. 快速算法

对于一般的 n×nn \times nn×n 稠密矩阵，求解线性系统的复杂度为 O(n3)O(n^3)O(n3)。利用Vandermonde的结构，可以将复杂度降至 O(n2)O(n^2)O(n2)甚至 O(nlog⁡2n)O(n \log^2 n)O(nlog2n)。下面介绍几个经典思路。

4.1 基于牛顿插值的 (O(n^2)) 算法

多项式插值问题 Vc=yV \mathbf{c} = \mathbf{y}Vc=y 可以直接通过牛顿插值公式求解：

计算差商 ：利用递推公式
f $x1,x2,...,xk$ =f $x2,...,xk$ −f $x1,...,xk-1$ xk−x1 f $x_1, x_2, \\dots, x_k$ = \frac{f $x_2, \\dots, x_k$ - f $x_1, \\dots, x_{k-1}$ }{x_k - x_1} f $x1,x2,...,xk$ =xk−x1f $x2,...,xk$ −f $x1,...,xk-1$
可以在 O(n2)O(n^2)O(n2) 时间内得到所有差商，即系数向量 c\mathbf{c}c 在牛顿基下的表示。
转换为单项式系数 ：需要将牛顿基下的系数转换回单项式基，这可以通过 O(n2)O(n^2)O(n2) 的前向替换完成。

因此，求解 Vc=yV\mathbf{c} = \mathbf{y}Vc=y 的整体复杂度为 O(n2)O(n^2)O(n2)。类似地，计算 V⋅cV \cdot \mathbf{c}V⋅c（多项式求值）也可用霍纳方法在 O(n2)O(n^2)O(n2) 内完成（对每个节点分别计算）。

4.2 基于FFT的 O(nlog⁡2n)O(n \log^2 n)O(nlog2n) 算法

当节点 xix_ixi 为一般复数时，可以利用多项式乘除法的快速算法（如FFT、分治）将复杂度降至 O(nlog⁡2n)O(n \log^2 n)O(nlog2n)。核心思想是分治与多项式取模。

定义多项式：

M(t)=∏i=1n(t−xi) M(t) = \prod_{i=1}^n (t - x_i) M(t)=i=1∏n(t−xi)

以及 Mi(t)=M(t)/(t−xi)M_i(t) = M(t)/(t - x_i)Mi(t)=M(t)/(t−xi)。由Lagrange插值公式，解 Vc=yV\mathbf{c} = \mathbf{y}Vc=y 的系数为：

ck=∑i=1nyiM′(xi)⋅coeffk(Mi(t)) c_k = \sum_{i=1}^n \frac{y_i}{M'(x_i)} \cdot \text{coeff}_{k} \left( M_i(t) \right) ck=i=1∑nM′(xi)yi⋅coeffk(Mi(t))

其中 coeffk(Mi)\text{coeff}_k(M_i)coeffk(Mi)表示 Mi(t)M_i(t)Mi(t)中 tkt^ktk 的系数。若先计算出所有 M′(xi)M'(x_i)M′(xi)（可利用多项式求值的快速算法），则问题转化为对每个 iii 求Mi(t)M_i(t)Mi(t) 的系数向量。采用分治策略：

递归地将节点集分成左右两半，构造 Mleft(t)M_{\text{left}}(t)Mleft(t) 和 Mright(t)M_{\text{right}}(t)Mright(t)。
对于左半节点，Mi(t)=Mright(t)⋅(Mleft(t)/(t−xi))M_i(t) = M_{\text{right}}(t) \cdot (M_{\text{left}}(t)/(t-x_i))Mi(t)=Mright(t)⋅(Mleft(t)/(t−xi))，其中括号内的多项式次数减半。
利用多项式除法与乘法的快速算法（复杂度 O(nlog⁡n)O(n \log n)O(nlogn)），整体递归树可达到 O(nlog⁡2n)O(n \log^2 n)O(nlog2n)。

该算法同样适用于求逆、行列式计算等问题，是目前理论上最快的一类Vandermonde求解器。

4.3 基于位移秩的 (O(n^2)) 算法

利用第2.3节的位移方程，可以使用Levinson型算法 或Schur算法 来求解Vandermonde系统。这些算法通过递推生成矩阵的LU分解或QR分解，每步代价 O(n)O(n)O(n)，总复杂度 O(n2)O(n^2)O(n2)。与牛顿插值相比，数值稳定性有时更好，且易于并行。

5. 推广与类似结构

Vandermonde结构的核心是单项式基 与算术级数幂次 。若将单项式基替换为其他多项式基（如Chebyshev多项式、Legendre多项式），则得到广义Vandermonde矩阵，仍保有低位移秩性质。此外，Cauchy矩阵 、Toeplitz矩阵 和Hankel矩阵都是低位移秩矩阵家族的成员，它们的快速算法在思想上与Vandermonde高度一致。

6. 总结

Vandermonde矩阵以其简洁的数学形式和丰富的结构特点，成为数值代数中不可或缺的范例。从经典的 O(n2)O(n^2)O(n2) 牛顿插值，到基于快速多项式运算的 O(nlog⁡2n)O(n \log^2 n)O(nlog2n)算法，再到利用位移结构的统一框架，人们对它的理解不断深化。在实际编程中，若节点数量不大（如 n≤500n \le 500n≤500）， O(n2)O(n^2)O(n2) 算法易实现且效率足够；而当节点规模较大或对实时性要求高时，FFT加速的分治法便显示出优势。