1. 课程导入与问题定义

在工程与科学计算中，线性方程组 Ax = b 几乎无处不在：结构有限元分析要解刚度方程，电路仿真要解节点导纳方程，热传导离散化后得到大型稀疏线性系统，数据拟合中的最小二乘最终也归结为求解正规方程。表面上看，求解线性方程组是线性代数中最"标准"的操作，但在实际计算中，它往往是整个仿真流程中最容易出问题、也最容易被忽视的一环。本课程要解决的核心问题有两个：如何可靠地求解线性方程组，以及如何判断并诊断求解过程中的数值病态。

一个来自工程现场的例子

考虑一个简化的桁架结构分析场景。某两节点杆系结构经刚度组装后，得到如下 2×2 线性方程组（示例数据，用于说明问题，非实测结果）：

A = [ 1.0   1.0 ]      b = [ 2.0 ]
    [ 1.0   1.0001]          [ 2.0001]

求解 Ax = b，理论解为 x = [1, 1]^T。

这个方程组看起来非常"良性"：系数都是 1 附近的小数，右端项也很规整。但如果我们在双精度浮点下用高斯消元求解，并对 b 施加一个极小的扰动，例如把第二个分量从 2.0001 改为 2.0001000001，解会变成什么？实际计算中，解可能偏离 [1, 1]^T 相当远，甚至出现数量级上的跳变。原因不在于算法写错了，而在于矩阵 A 本身接近奇异——它的两个行向量几乎平行，行列式仅为 1×1.0001 − 1×1 = 0.0001。这类矩阵称为病态矩阵，其条件数约为 4×10⁴，意味着右端项的相对误差会被放大约 4 万倍传入解中。

这个例子揭示了本课程的第一个基本认识：方程组"有解"不等于"能算准"。数学上的可解性与数值上的可计算性是两个不同层面的问题。工程计算关心的不只是存在唯一解，更关心在有限精度浮点运算下，解是否稳定、误差是否可控、结果是否可信。

求解目标的三层含义

基于上述认识，我们把"求解线性方程组"的目标拆解为三个层次，这也是贯穿全课程的主线：

• 正确性：算法在精确算术下应收敛到真解，且实现无误。对应直接法的消元、回代正确性，迭代法的收敛性条件。
• 稳定性：在浮点舍入误差存在时，误差不被异常放大。对应主元选取策略、矩阵条件数与算法稳定性的关系。
• 效率与可扩展性：面对成千上万阶、稀疏或带状结构的实际系统，计算量与存储量可接受。对应稀疏存储、迭代法与预条件技术的选择。

三者之间存在张力：直接法（如 LU 分解）稳定但复杂度为 O(n³)；迭代法（如共轭梯度法）适合大型稀疏系统，但收敛速度强烈依赖矩阵条件数。理解这种张力，是后续选择求解策略的基础。

数值病态：必须提前诊断的"隐形故障"

病态不是程序报错，它不会抛出异常，而是安静地给出一个"看起来合理"的错误答案。在工程中，这类错误可能表现为应力云图局部异常、结构位移偏大、优化迭代不收敛，排查成本极高。因此，病态诊断应当作为求解流程的固定环节，而不是出问题后的补救手段。诊断的核心工具是条件数 κ(A) = ‖A‖·‖A⁻¹‖：它给出了右端项相对误差到解相对误差的放大上界。经验上，若 κ(A) ≈ 10^k，双精度（约 16 位有效数字）下解大约损失 k 位有效数字；当 k 接近 16 时，结果基本不可信。

课程知识框架

下图给出本课程的整体知识结构：从问题定义出发，分为直接法、迭代法、病态诊断三条主线，最终汇聚到"根据问题特征选择并验证求解策略"的工程决策上。

从框架可以看出，本课程不是孤立地讲某一种算法，而是围绕"问题特征—算法选择—误差控制—结果验证"形成闭环。直接法关注消元过程中的稳定性，迭代法关注收敛速度与预条件设计，病态诊断则贯穿两者，提供误差放大程度的量化依据。三者共同服务于同一个工程目标：在可接受的计算代价下，得到可信的解。

本课程的学习方式与判断标准

学习本课程时，建议始终带着三个问题阅读每一节：这个算法在什么条件下可靠？它的计算代价如何随问题规模增长？当结果可疑时，用什么指标判断是算法问题还是问题本身病态？例如，面对一个 5000 阶的稀疏刚度矩阵，直接 LU 分解可能因填充导致存储爆炸，此时应转向共轭梯度法并配合对角预条件；但如果条件数估计达到 10¹²，则需警惕双精度下有效数字所剩无几，应考虑更高精度或问题正则化。判断标准不是"算出来了"，而是"残差、条件数与交叉验证三者一致，且精度满足工程容差"。