1. 课程导入与全景认知

在科学计算与工程仿真中，我们最终要求解的绝大多数问题，都会归结为一个线性方程组 Ax = b。无论是有限元结构分析中的刚度矩阵、计算流体力学中的压力泊松方程、电磁场仿真中的稀疏离散系统，还是机器学习中的大规模最小二乘问题，求解器都是整个计算流程中最耗时、也最容易出问题的环节。理解迭代求解器的定位，是后续收敛分析与调参工作的起点。

直接法与迭代法：两种求解哲学

求解 Ax = b 有两条技术路线。直接法（如 LU 分解、Cholesky 分解）通过有限步消元得到精确解（在浮点意义下），结果稳定可预期，但计算量与存储量随问题规模快速增长，对三维大规模稀疏问题往往难以承受。迭代法从一个初始猜测 x₀ 出发，构造序列 x₁, x₂, …，使残差 rₖ = b − Axₖ 逐步减小，在满足收敛判据时停止。它不追求有限步精确，而是用可控的精度换取可扩展的计算效率——这正是大规模仿真中迭代法成为主力的根本原因。

常见的迭代求解器可分为几类：定常迭代法（Jacobi、Gauss-Seidel、SOR）实现简单但收敛慢，多用于光滑子或教学演示；Krylov 子空间方法（CG、GMRES、BiCGSTAB、MINRES）是现代主力，其中 CG 适用于对称正定系统，GMRES 适用于一般非对称系统；多重网格（AMG）则通过多尺度校正获得接近线性的复杂度。选择哪一类，取决于矩阵的对称性、正定性、条件数以及问题规模。

收敛分析的核心挑战

迭代法“能算”不等于“算得动”。收敛分析要回答三个问题：会不会收敛、收敛多快、收敛到什么精度。对 CG 而言，收敛速度与矩阵条件数 κ(A) 密切相关，粗略估计迭代次数正比于 √κ；条件数从 10³ 恶化到 10⁶，迭代次数可能从几十步涨到上千步。对 GMRES，非正规矩阵可能导致残差平台期甚至停滞，此时单纯增加迭代次数无济于事。

实践中常见的收敛障碍包括：矩阵病态导致残差下降极慢；预条件子与矩阵不匹配，反而拖慢收敛；右端项 b 与初始残差尺度差异大，绝对容差判据失效；以及并行环境下浮点舍入累积使残差无法继续下降。这些问题无法靠“多迭代几次”解决，必须通过诊断定位根因。

调参的关键维度

调参不是盲目试参数，而是围绕几个可控维度做有依据的调整。第一是收敛容差：应优先使用相对残差判据 ‖rₖ‖/‖b‖ < tol，tol 常取 1e-6 至 1e-10，过严会浪费计算，过松则污染下游物理量。第二是预条件子：ILU、Jacobi、SSOR、AMG 的选择要与矩阵结构匹配，例如对角占优弱时 Jacobi 效果有限，而 AMG 对椭圆型问题往往显著。第三是算法参数：GMRES 的重启长度 m、BiCGSTAB 的稳定化策略、多重网格的层数与光滑子次数。第四是初始猜测：在瞬态或非线性外迭代中，用上一步解作为初值可大幅减少迭代步数。

课程目标与学习路径

本课程围绕“看懂收敛—定位瓶颈—有效调参”这条主线展开。学习路径分为四个阶段：首先建立迭代求解器的全景认知与数学基础，理解残差、条件数、谱分布等核心概念；其次掌握收敛行为的观测与诊断方法，学会读残差曲线、识别停滞与震荡；然后进入预条件技术与算法参数的实战调优，结合典型矩阵类型给出可操作的配置策略；最后通过综合案例完成从问题建模到调参验证的完整闭环。