2. 数值算法正确性验证基础

在数值计算中，“正确”并不等于“精确”。绝大多数数值算法面对的是浮点数运算、有限次迭代和离散化近似，因此结果必然带有误差。正确性验证的核心任务，不是追求零误差，而是判断误差是否在可接受范围内、是否由可解释的原因产生、以及算法在输入扰动下是否仍然可靠。本节围绕误差来源、条件数与稳定性、前向与后向误差、以及验证基本准则展开，为后续测试用例设计打下概念基础。

一、误差从哪里来：舍入误差与截断误差

数值误差通常分为两大类。第一类是舍入误差，来源于计算机用有限位二进制表示实数。例如 IEEE 754 双精度浮点数只有约 15～17 位有效十进制数字，像 0.1 这样的数无法精确表示，每次加减乘除都可能引入半个机器精度量级的偏差。舍入误差的典型特征是：单次很小，但在大量累加、相减抵消或迭代放大时会显著累积。

第二类是截断误差，来源于用有限过程近似无限过程。例如用泰勒展开的前几项近似函数值、用差商代替导数、用有限步迭代逼近极限。以中心差商近似导数为例：

f'(x) ≈ (f(x+h) - f(x-h)) / (2h)

其截断误差约为 O(h²)，h 越小截断误差越小；但 h 过小时，分子中两个相近数相减会产生严重的舍入抵消，舍入误差反而按 O(ε/h) 增大。这说明两类误差往往此消彼长，存在一个“最优步长”，这也是数值算法验证中必须关注的典型现象。

二、条件数与稳定性：问题与算法的两种“敏感度”

条件数描述的是问题本身的敏感程度，与算法无关。对线性方程组 Ax=b，条件数 κ(A)=‖A‖·‖A⁻¹‖。条件数大意味着输入 b 或 A 的微小扰动会被放大成解的巨大变化。例如希尔伯特矩阵随阶数增加条件数急剧增大，即使使用精确算法，解也可能因输入舍入而严重失真。因此条件数告诉我们：这个问题“天生难不难”。

稳定性描述的则是算法在计算过程中是否控制误差增长。一个稳定的算法不会让初始的小误差在迭代中被指数放大。典型例子是递推计算积分 Iₙ=∫₀¹ xⁿ/(x+5)dx，若用正向递推 Iₙ=1/n−5Iₙ₋₁，误差每步被放大 5 倍，很快失控；而改用反向递推，误差每步缩小为 1/5，结果稳定。这说明同一问题换一种算法，稳定性可以完全不同。

三、前向误差与后向误差：从两个方向衡量“算得准不准”

设真实问题为 f(x)=y，计算得到近似解 ŷ。前向误差指 |ŷ−y| 或其相对形式，直接回答“结果离真值多远”。后向误差则反过来问：ŷ 是否是某个轻微扰动问题 f(x+Δx)=ŷ 的精确解？若能找到很小的 Δx 使等式成立，则称算法具有较小的后向误差。

后向误差的价值在于：它把“计算误差”转化为“输入扰动”，从而可以借助条件数估计前向误差，即近似满足

前向误差 ≲ 条件数 × 后向误差

这一关系是数值验证的重要桥梁。若后向误差很小（算法稳定），而前向误差仍然很大，则问题多半出在条件数上，属于问题病态而非算法错误；反之若后向误差本身就大，则算法实现或参数选择存在问题。实际验证时，对无解析解的问题，常用“代入残差”‖Aŷ−b‖ 作为后向误差的代理指标。

四、正确性验证的基本准则

基于上述概念，数值算法正确性验证应遵循几条基本准则。第一，明确参照系与容差：先约定误差是绝对还是相对、以哪个量为基准，再设定与问题条件数和机器精度相匹配的容差，避免“一刀切”的固定阈值。第二，区分误差来源：通过改变步长、迭代次数或精度观察误差变化趋势，判断主导误差是截断还是舍入。第三，同时考察前向与后向指标：有真解时算前向误差，无真解时用残差作后向误差代理。第四，做扰动与收敛性测试：对输入施加小扰动观察输出放大倍数，并与条件数估计对照；对迭代算法检查误差是否随步数单调下降或收敛到稳定水平。

例如验证一个求根迭代时，可记录每步的 |xₖ−x*|（前向误差）与 |f(xₖ)|（残差型后向指标），若残差迅速趋近机器精度而前向误差停滞，往往说明根附近条件数较大或存在多个相近根，需要调整判据而非简单判定算法失败。掌握这些准则，才能在后续设计测试用例时，让每一个用例都对应明确的误差假设与可判读的通过标准。