1. 收敛性基础概念
各位同学好，我是这门课的主讲。今天咱们聊聊收敛性——这个听起来有点数学味、但实际工程中天天打交道的概念。
说实话，我刚开始做数值计算那会儿，对收敛的理解也就停留在「误差越来越小」这个层面。直到有一次，我写了个迭代求解器，算了一整天都没停……后来发现，它压根就没收敛。嗯，那次教训挺深刻的。
什么是收敛？
收敛，说白了就是「越来越接近某个目标」。在数值计算里，我们通常关心的是：随着计算步数增加，结果是否越来越接近真实值。
举个例子。你猜一个数，我告诉你猜大了还是猜小了。你不断调整，每次调整后都更接近正确答案。这个过程，就是收敛。
数学上，我们这样定义：
收敛的定义：设有一个序列 {xn}，如果存在一个数 L，使得对于任意给定的正数 ε，总存在正整数 N，当 n > N 时，有 |xn - L| < ε，则称序列 {xn} 收敛于 L。
这个定义看着有点绕，我拆开给你讲：
- 序列 {xn}：就是第 1 步、第 2 步、第 3 步……的计算结果
- 极限 L：我们想达到的那个真实值
- ε：允许的误差范围，比如 0.001
- N：从第几步开始，结果就稳定在误差范围内了
你想想看，这个定义其实很直观：只要我算得足够多，结果就能任意接近真实值。
收敛的数学表述
在实际工程中，我们更常用的是下面几种收敛形式：
| 收敛类型 | 数学表述 | 通俗理解 |
|---|---|---|
| 点态收敛 | ∀x, limn→∞ fn(x) = f(x) | 每个点单独看，都趋于目标 |
| 一致收敛 | limn→∞ sup|fn(x) - f(x)| = 0 | 整体上，最大误差都趋于 0 |
| 均方收敛 | limn→∞ ∫|fn - f|² dx = 0 | 误差的「能量」趋于 0 |
我个人习惯，在工程中最常用的是均方收敛。为什么？因为很多物理问题（比如热传导、流体）的能量范数就是均方形式，用这个判断收敛，物理意义很清晰。
收敛在数值计算中的重要性
收敛性不是数学家的玩具，它直接决定了你的程序能不能跑出正确结果。
我曾经踩过的坑：有一次做 CFD 仿真，网格加密后结果反而更差了。我查了三天，最后发现是迭代格式不满足收敛条件。说白了，你算得再精细，方法本身不收敛，结果就是废的。
收敛性在数值计算中的角色，我总结为三点：
- 保证正确性：不收敛的方法，结果不可信
- 指导算法设计：收敛条件告诉你，参数该怎么选、步长该怎么定
- 评估计算效率：收敛速度决定了你要算多少步才能得到满意结果
举个例子，求解线性方程组 Ax = b：
- 雅可比迭代：收敛条件是对角占优
- 高斯-赛德尔迭代：收敛速度通常比雅可比快一倍
- 共轭梯度法：对对称正定矩阵，理论上 n 步内收敛
你看，不同的方法，收敛条件不同，效率也不同。选对了，事半功倍；选错了，白费功夫。
知识体系总览
下面这张图，是我梳理的本章知识结构。你可以把它当作一个地图，后面每讲一个点，都能找到它在图中的位置。
小提示：刚开始学收敛性，别被数学定义吓到。你只要记住一句话——收敛就是越算越准。后面的内容，都是围绕这句话展开的。
好了，这一章就到这里。收敛性是个基础，但基础不牢，后面会摔得很惨。我建议你花点时间，把定义和三种收敛形式搞清楚。下一章，咱们聊聊收敛速度——为什么有的方法几步就搞定，有的方法算到天荒地老？
可可精品资料库