4. 验证指标与误差范数选择

在PDE数值结果收敛性验证中，“误差”本身并不是一个数，而是一个依赖于范数的量。同一组数值解与精确解（或高分辨率参考解）之间的偏差，用不同范数度量会得到不同的数值，进而拟合出不同的收敛阶。因此，范数选择不是事后统计的细节，而是验证方案设计的一部分：它决定了你能否观察到理论收敛阶、能否识别局部缺陷、以及结论是否具有可比性。

设数值解为 u_h，参考解为 u，在网格节点或单元上定义误差 e = u_h − u。常用范数包括离散 L1、L2、L∞ 以及能量范数。离散 L1 范数 ‖e‖₁ = Σ|e_i|·w_i 反映误差的“总量”，对少数节点的大误差不敏感；L2 范数 ‖e‖₂ = (Σ|e_i|²·w_i)^{1/2} 兼顾整体与局部，是最常用的默认选择；L∞ 范数 ‖e‖∞ = max|e_i| 捕捉最坏点误差，对激波、边界层、奇点附近极为敏感；能量范数则把误差与其梯度（或通量）加权组合，例如 ‖e‖_E = (∫ a|∇e|² + c|e|²)^{1/2}，直接对应变分形式的稳定性估计。

范数选择对收敛阶估计的影响是实质性的。以二阶椭圆问题、分片线性有限元为例，理论上 L2 误差为 O(h²)，能量范数为 O(h)。若你误用能量范数去“验证二阶精度”，会得到约一阶的拟合结果，从而错误地怀疑实现有误。反之，若在双曲守恒律的激波问题上用 L2 拟合，由于间断处误差不随 h 光滑衰减，观测阶往往明显低于格式的名义阶，甚至出现“阶数漂移”。因此，先明确理论预期的范数与阶，再选择匹配的度量，是验证流程的第一步。

具体到三类方程，建议如下。椭圆型问题解通常光滑（除非区域有角点或系数间断），L2 与能量范数最能反映整体精度，L∞ 用于检查边界层与角点附近的局部误差；若角点存在奇性，L2 阶可能被污染，此时应结合局部网格加密或加权范数。抛物型问题同时含空间与时间误差，应分别固定一个维度做收敛性研究：固定时间步长加密空间网格拟合空间阶，固定空间网格缩小时间步拟合时间阶，末时刻的 L∞ 或 L2 均可，但需在报告中说明取样时刻。双曲型问题最需要谨慎：光滑区可用 L2，含激波时优先用 L1（对间断更稳健）并辅以 L∞ 观察最坏点，能量范数在守恒性分析中有意义，但不适合直接用于含间断解的阶估计。

下面给出一个可直接套用的收敛阶计算与判读示例（示例参数为教学假设，非实测数据）。设某椭圆问题在 h = 1/16, 1/32, 1/64 三级网格上得到 L2 误差 3.2e-3, 8.1e-4, 2.0e-4，则相邻比值约为 3.95 与 4.05，对应 p ≈ log₂(3.95) ≈ 1.98、log₂(4.05) ≈ 2.02，与二阶理论一致；若同一数据用 L∞ 得到 1.1e-2, 5.6e-3, 2.9e-3，比值约 1.96，拟合阶约 0.97，说明最坏点误差以一阶衰减，提示角点或边界处理存在待查问题。这种“主指标达标、辅助指标异常”的组合，正是范数搭配使用的价值所在。

# 收敛阶拟合（示例，教学假设数据）
import numpy as np
h  = np.array([1/16, 1/32, 1/64])
e2 = np.array([3.2e-3, 8.1e-4, 2.0e-4])   # L2 误差
p  = np.log(e2[:-1] / e2[1:]) / np.log(h[:-1] / h[1:])
print("L2 拟合阶:", p)   # 期望接近 2.0

最后需要强调两点操作纪律。其一，参考解的来源必须与范数匹配：用解析解时可直接逐点求误差；用高分辨率数值解作参考时，应确保参考解误差远小于待测误差（一般低一到两个量级），否则拟合阶会被参考解“污染”而系统性偏低。其二，网格序列应保持几何相似（如统一二分），避免局部加密与全局加密混用导致阶估计失真。把范数选择、参考解构造与网格序列三者作为一个整体来设计，收敛性验证的结论才站得住脚。