1. 课程导入与问题驱动

在数值线性代数中，求解线性方程组 Ax = b 是最基础也最常见的任务。很多同学初学时会有一种直觉：只要矩阵 A 可逆，用高斯消元或 LU 分解求出 x 就万事大吉。然而在实际计算中，即使算法完全正确、程序毫无 bug，得到的解也可能与真实解相差甚远。造成这种偏差的根源，往往不是算法本身，而是问题本身的“敏感性”——这正是条件数要刻画的对象。

先看一个具体的例子。考虑如下 2×2 线性系统（示例数据，用于说明现象）：

A = [ 1.000   1.000 ]
    [ 1.000   1.001 ]

b = [ 2.000 ]
    [ 2.001 ]

它的精确解是 x = [1, 1]ᵀ。现在假设右端项 b 因为测量误差或浮点舍入，第二个分量从 2.001 变成 2.002，即扰动 Δb = [0, 0.001]ᵀ。重新求解可得 x ≈ [0, 2]ᵀ。也就是说，b 的相对变化约为 0.05%，而解 x 的相对变化却高达 50% 左右。这种“输入微小扰动引起输出剧烈变化”的现象，就是病态（ill-conditioned）问题的典型表现。

为什么会这样？观察矩阵 A 的两行：它们几乎相同，只差 0.001。这意味着 A 接近奇异，两个方程提供的信息高度冗余。几何上，两个方程对应平面上两条几乎平行的直线，它们的交点对直线位置的微小移动极其敏感。条件数正是把这种“接近奇异”的程度量化的工具：它衡量的是解对输入扰动的最大放大倍数。

上图左侧把“接近奇异”翻译成几何语言：两条直线几乎平行，交点对任何一条线的微小平移都高度敏感；右侧则给出条件数的核心作用——它是输入相对误差到解相对误差的放大系数。理解这张图，就抓住了本课程的主线。

条件数到底刻画什么

对可逆矩阵 A，条件数定义为 κ(A) = ‖A‖ · ‖A⁻¹‖（常用 2-范数）。它有三个值得记住的性质：其一，κ(A) ≥ 1，等号在正交矩阵（含单位矩阵）处取得，这类问题最“稳”；其二，κ(A) 与所选范数有关，但不同范数下的条件数只差一个与维数相关的常数因子，量级判断一致；其三，条件数是问题本身的属性，与用什么算法求解无关。算法只能决定“算得准不准”，而条件数决定“问题允不允许算得准”。

这一点对工程实践至关重要。若 κ(A) ≈ 10³，双精度约 16 位有效数字，求解后大约还剩 13 位可信；若 κ(A) ≈ 10¹²，则只剩 4 位左右可信；若 κ(A) 接近 10¹⁶，结果可能连一位有效数字都保不住。因此，在动手求解之前先估计条件数，是判断“这个结果能不能信”的第一道关口。

本课程要解决的问题与学习路径

围绕条件数，本课程将回答四个层层递进的问题：是什么——条件数的定义、几何与代数含义；怎么算——如何估计或计算条件数，包括 1-范数、∞-范数、2-范数（奇异值）以及实用的条件数估计器；怎么用——在求解 Ax=b 时如何结合 LU 分解、迭代精化、预处理等手段提升数值稳定性；怎么判——面对一个具体结果，如何依据条件数、残差与后向误差判断解的可信度。

学习路径上，建议按“现象 → 定义 → 度量 → 算法 → 实践 → 复盘”的顺序推进：先用病态实例建立直觉，再严格定义条件数并推导误差上界，接着掌握不同范数下的计算与估计方法，然后进入稳定求解技术（如部分主元、迭代精化、预处理共轭梯度），最后通过案例把“估计条件数—选择算法—验证残差”串成完整工作流。每一章都会配以可复现的示例参数与判断依据，帮助你把概念落到操作上。