3. 矩阵与范数基础

在显式与隐式差分格式的稳定性分析中，我们反复遇到同一个问题：把误差向量 en 从第 n 层推进到第 n+1 层时，它会被放大还是被压制？写成矩阵形式就是 en+1 = G en，其中 G 称为放大矩阵（或迭代矩阵）。要回答"是否放大"，就必须给向量和矩阵赋予"大小"的度量，这正是范数与谱半径的用武之地。本节把后续稳定性判据所需的工具集中梳理一遍，重点落在范数的相容性、诱导范数的计算，以及谱半径与范数之间的关系上。

向量范数：误差大小的度量

向量范数 ‖·‖ 是从 ℂm 到非负实数的映射，需满足正定性、齐次性与三角不等式。数值分析中最常用三种：

• 1-范数：‖x‖1 = Σ|xi|，即分量绝对值之和，对应"总误差量"。
• 2-范数：‖x‖2 = (Σ|xi|2)1/2，即欧氏长度，与能量、最小二乘直接相关。
• ∞-范数：‖x‖∞ = maxi|xi|，即最大分量，对应"最坏单点误差"。

三者满足等价关系 ‖x‖∞ ≤ ‖x‖2 ≤ ‖x‖1 ≤ m‖x‖∞（m 为维数）。这个不等式在稳定性分析中很实用：若在某个范数下误差不增长，则在等价范数下误差至多增长一个与维数有关的常数因子，因此"稳定性"这一结论不因范数选择而本质改变，但放大常数的估计会不同。

矩阵范数与相容性

矩阵范数除了满足向量范数的三条公理外，还需满足次乘性（相容性）：‖AB‖ ≤ ‖A‖‖B‖。这条性质是稳定性估计的命脉——只有它成立，才能把 ‖Gn‖ ≤ ‖G‖n 一步步推出来，从而得到 ‖en‖ ≤ ‖G‖n‖e0‖。若 ‖G‖ ≤ 1，误差被一致压制；若 ‖G‖ > 1，该估计只能给出指数上界，未必真实发散，但足以作为保守判据。

矩阵范数还须与向量范数相容：‖Ax‖ ≤ ‖A‖‖x‖。最自然的一类就是由向量范数诱导出来的算子范数：

‖A‖_p = max_{x≠0} ‖Ax‖_p / ‖x‖_p

它自动满足相容性，且是使 ‖Ax‖ ≤ ‖A‖‖x‖ 成立的最小矩阵范数。三种常用诱导范数有可直接计算的显式公式：

注意 ‖A‖2 不是最大特征值的模，而是最大奇异值；只有当 A 正规（如对称、正交）时二者才一致。这是初学者最易混淆之处。

谱半径与特征值分解

谱半径定义为特征值模的最大值：ρ(A) = maxi|λi(A)|。它刻画的是矩阵在"特征方向"上的长期放大率。核心结论是：

若 A 可对角化，A = VΛV-1，则 An = VΛnV-1，于是 ‖An‖ ≤ κ(V)ρ(A)n，其中 κ(V) = ‖V‖‖V-1‖ 是特征向量矩阵的条件数。这解释了"瞬态增长"现象：即使 ρ(A) < 1，若 κ(V) 很大，前若干步误差仍可能先上升再衰减。对非正规矩阵，这一效应尤其显著，仅看谱半径会低估短期风险。

一个可手算的示例

设放大矩阵 G = [[0.8, 2.0], [0, 0.8]]（上三角，特征值均为 0.8）。计算可得：ρ(G) = 0.8 < 1，长期收敛；但 ‖G‖∞ = max(2.8, 0.8) = 2.8 > 1，‖G‖1 = max(0.8, 2.8) = 2.8，‖G‖2 = σmax ≈ 2.04。若用范数判据会误判为"可能不稳定"，而谱半径判据给出正确结论。反过来，若 G = [[0.6, 0.5],[0.5, 0.6]]，对称，ρ = 1.1 > 1，‖G‖2 = 1.1，两种判据一致。这说明：范数判据保守但易算，谱半径判据精确但需特征值信息，实际分析中常先用范数快速筛查，再用谱半径或特征值分解确认。

实际计算中的操作要点

在编写稳定性分析代码时，建议按以下顺序处理。第一，明确放大矩阵的构造方式：对显式格式，G = I + Δt·L（L 为空间离散算子）；对隐式格式，G = (I - Δt·L)-1。第二，优先计算 ‖G‖∞ 或 ‖G‖1，因为它们只需行和或列和，复杂度 O(m2)，适合快速筛查。第三，若范数判据给出 ‖G‖ > 1 但接近 1，不要急于下"不稳定"结论，转而计算特征值：用 numpy.linalg.eigvals 得到谱半径，或用 numpy.linalg.svd 得到 ‖G‖2。第四，对非正规矩阵，额外估计 κ(V)，判断是否存在瞬态增长风险。