1. 课程导入与选型问题定义

在科学计算与工程仿真中，偏微分方程（PDE）的离散化最终几乎都会归结为求解一个大型稀疏线性方程组 Ax = b。当网格规模达到百万甚至上亿自由度时，直接法（如 LU 分解）在内存与计算量上都难以承受，迭代求解器因此成为主力工具。但"用迭代法"并不是一个可以一劳永逸的决定——面对同一个 PDE，选择不同的迭代器，求解时间可能相差几个数量级，甚至出现"能收敛"与"完全不收敛"的分水岭。

本课程的核心问题可以概括为一句话：给定一个具体的 PDE 离散系统，如何在可接受的计算成本内，稳定地得到满足精度要求的解？ 这个问题的难点不在于写出某个迭代格式，而在于理解"问题特性—算法特性—参数配置"三者之间的匹配关系。

为什么选型是真正的挑战

迭代求解器的选型困难，根源在于 PDE 离散系统本身携带了大量结构性信息，而这些信息并不会自动"告诉"你该用哪个求解器。考虑三个典型场景：

• 泊松方程经五点差分离散后得到对称正定（SPD）矩阵，共轭梯度法（CG）在理论上保证收敛，配合适当的预条件子可在数百次迭代内收敛；
• 对流扩散方程在强对流占优时，离散矩阵失去对称性，CG 不再适用，需要转向 GMRES 或 BiCGSTAB 这类非对称 Krylov 方法；
• 不可压缩 Navier-Stokes 方程的鞍点结构系统，矩阵不定且对角块为零，标准 Krylov 方法直接使用往往停滞，必须借助块预条件或物理型预条件（如 SIMPLE 类）才能奏效。

也就是说，矩阵的对称性、正定性、条件数、谱分布、是否不定、块结构如何，这些性质共同决定了候选算法的可行域。选型的第一步不是"挑算法"，而是"读问题"。

选型的整体框架

本课程将选型问题组织为一条从问题诊断到参数调优的决策链，下图给出了整体框架与各环节之间的依赖关系：

这条决策链的关键在于：每一层都依赖上一层的输出，且存在回退路径。例如，若在验证阶段发现 GMRES 残差长期停滞，问题往往不在 GMRES 本身，而在于预条件子与矩阵谱结构不匹配，此时应回退到预条件设计环节，而非盲目增加重启长度。

一个可操作的判断起点

为了让选型有据可依，实践中可以先做一次低成本的"矩阵体检"。以下是一段基于 Python/SciPy 的示例代码，用于快速获取矩阵的对称性、对角占优程度与粗略条件数估计（示例数据为合理假设，非实测结果）：

import numpy as np
from scipy.sparse import random as sprandom
from scipy.sparse.linalg import eigsh

# 示例：构造一个 SPD 稀疏矩阵（模拟五点差分结构）
n = 10000
A = sprandom(n, n, density=5/n, format='csr')
A = A @ A.T + n * np.eye(n)   # 保证对称正定

# 1) 对称性检查
sym_err = abs(A - A.T).max()
print("对称性误差:", sym_err)          # 接近 0 则视为对称

# 2) 对角占优程度
diag = A.diagonal()
off = abs(A).sum(axis=1) - abs(diag)
print("最小对角/非对角比:", (abs(diag) / off).min())

# 3) 条件数粗估（最大/最小特征值）
lam_max = eigsh(A, k=1, which='LA', return_eigenvectors=False)[0]
lam_min = eigsh(A, k=1, which='SA', return_eigenvectors=False)[0]
print("条件数估计:", lam_max / lam_min)

这段代码的价值不在于精确计算，而在于用几秒钟的判断避免几小时的错误尝试。若对称性误差接近零且特征值同号，CG 是首选；若对角占优比很小，说明 Jacobi 预条件效果有限，应直接考虑 ILU 或 AMG。

学习目标与预期产出

完成本课程后，你应当能够独立完成以下任务：给定一个 PDE 离散系统，判断其矩阵结构类别；从 Krylov 方法族中筛选出可行候选；为候选设计或选择合适的预条件子；配置关键参数并通过残差曲线判断收敛质量；在多个可行方案之间依据"迭代次数 × 单步成本"做出工程决策。本课程不追求覆盖所有迭代算法的数学推导，而是聚焦于选型的判断逻辑与可复现的操作路径。

接下来的章节将沿着上述框架逐层展开：先建立矩阵结构与算法适用域的对应关系，再深入各类预条件子的构造与调参，最后通过完整案例把诊断、选型、调优、验证串成一条可复用的工作流。