1. 课程导入与数值分析工程视角

工程计算中，我们很少直接求解“数学题”，而是把物理问题翻译成可计算的模型，再交给算法得到数值结果。数值分析研究的正是这条链路上的核心问题：连续问题如何离散、离散后的方程如何求解、求解结果误差有多大、在有限时间和内存下能否得到可信答案。对工程师而言，数值分析不是纯数学分支，而是一套判断“该用什么方法、结果能不能信、代价是否可接受”的决策工具。

数值分析在工程中扮演什么角色

以一根受均布载荷的悬臂梁为例，材料力学给出挠度解析式，但真实结构往往带有变截面、孔洞、非线性材料或复杂边界，解析解不再存在。此时工程流程通常变为：几何与材料建模 → 控制方程离散（有限元、有限差分、有限体积等）→ 形成线性或非线性方程组 → 迭代求解 → 后处理与误差评估。数值分析贯穿其中每一环：离散格式决定截断误差阶次，求解器决定收敛速度与稳定性，误差估计决定结果能否用于设计决策。

因此，数值分析在工程中的作用可以概括为三点：把不可解的问题变成可解的问题（离散化与近似）、把可解的问题解得足够快（算法复杂度与收敛性）、把解出的结果判断得足够准（误差、稳定性与条件数）。三者缺一不可，只追求精度而忽略代价，或只追求速度而忽略可信度，都会让计算结果失去工程价值。

算法选型的核心问题

面对同一个工程问题，可选算法往往不止一种。例如求解线性方程组，小规模稠密问题可用高斯消元，大规模稀疏问题更适合共轭梯度或稀疏直接法；求解非线性方程，牛顿法收敛快但需要导数且对初值敏感，割线法免导数但收敛阶较低。选型时真正需要回答的问题包括：

• 问题结构：矩阵是否对称正定、是否稀疏、带宽多大、是否病态；函数是否光滑、导数是否易得。
• 精度需求：工程允许误差是 1e-3 还是 1e-8，决定了迭代终止准则与算法阶次的选择。
• 计算代价：时间复杂度、内存占用、是否可并行，决定了大规模问题能否在可接受时间内完成。
• 稳定性与鲁棒性：算法对初值、舍入误差、病态输入的敏感程度，决定了结果是否可信。

这些因素之间常常互相制约。高精度算法可能代价高昂，快速算法可能对问题结构有苛刻要求。工程选型的本质是在约束条件下寻找“够用且可靠”的平衡点，而不是盲目追求理论最优。

典型工程数值问题场景

课程后续会反复遇到几类典型场景，这里先建立整体印象。线性方程组求解是结构分析、电路网络、热传导稳态问题的核心，规模从几十阶到上亿阶不等，稀疏性与条件数直接决定方法选择。非线性方程与方程组求根出现在材料非线性、几何大变形、化学平衡计算中，牛顿类方法与阻尼策略是常见组合。插值与拟合用于实验数据补全、响应面构建与传感器标定，龙格现象与过拟合是必须警惕的陷阱。数值积分与微分用于载荷等效、能量计算与梯度估计，阶次与步长共同影响精度。常微分方程初值问题对应瞬态响应、动力学仿真，刚性问题是选型分水岭。特征值与矩阵分解服务于模态分析、稳定性判断与数据降维。

这些场景看似分散，但共享同一套分析框架：先判断问题结构与规模，再评估精度与代价要求，然后选择算法并设置终止准则，最后用残差、收敛历史或与解析/实验对比来验证结果。掌握这套框架，比记住某个具体算法更重要。

课程目标与学习路径

本课程的目标不是推导所有定理，而是建立“工程可用”的数值分析能力：能识别问题类型、能比较候选算法、能设置合理参数、能判断结果可信度。学习路径按“基础工具 → 核心问题 → 工程综合”推进：先掌握误差、条件数、浮点运算等基本概念；再依次学习线性方程组、非线性方程、插值拟合、数值积分与微分、常微分方程、特征值问题；最后通过综合案例练习算法选型与结果验证。每章都会给出可操作的参数示例与判断依据，帮助你把方法落到实际计算中。