第1章 迭代法收敛原理：不动点迭代法，压缩映射原理，迭代收敛的充分必要条件

各位同学好，今天我们开始《收敛分析与提升方法实战》的第一章。说实话，迭代法收敛原理是整个课程的基石。我当年刚接触数值计算时，总觉得这东西太抽象，直到在工作中踩了坑，才明白它的分量。

先问大家一个问题：为什么有些迭代算着算着就收敛了，有些却越跑越偏？这背后其实有一套严谨的数学理论在支撑。今天我们就把它掰开揉碎了讲清楚。

1.1 不动点迭代法：从方程求根说起

先看一个简单问题：求解方程 f(x) = 0。你可能会说，这有什么难的？但现实中的方程往往没有解析解，比如 e^x + x = 0，你没法用公式直接写出 x 等于多少。

这时候，不动点迭代法就派上用场了。它的核心思想很简单：把 f(x) = 0 改写成 x = g(x) 的形式。然后随便猜一个初始值 x₀，不断代入计算：

x₁ = g(x₀)
x₂ = g(x₁)
x₃ = g(x₂)
...
x_{k+1} = g(x_k)

如果这个序列 {x_k} 收敛到某个 x*，那么 x* 就是方程的解。为什么？因为两边取极限，x* = g(x*)，这不就是不动点吗？

举个例子，求方程 x² - 2 = 0 的正根。我们可以写成：

x = 2/x          // 方式一
x = (x + 2/x)/2  // 方式二（牛顿法）
x = x² + x - 2   // 方式三

你猜猜看，哪种方式能收敛？我告诉你，方式一和方式三在某些初始值下会发散，而方式二（牛顿法）收敛得飞快。为什么会这样？这就引出了压缩映射原理。

1.2 压缩映射原理：收敛的"通行证"

压缩映射原理，也叫巴拿赫不动点定理。它给出了迭代收敛的充分条件。说白了就是：如果 g(x) 能把定义域内的任意两点"压缩"得更近，那么迭代就一定收敛。

数学上，压缩映射的定义是：存在常数 L ∈ [0, 1)，使得对任意 x, y，都有：

|g(x) - g(y)| ≤ L|x - y|

这个 L 叫做 Lipschitz 常数。如果 L < 1，g 就是压缩映射。

我在项目中遇到过这样一个案例：用迭代法求解某个热传导方程，选了 g(x) = x + 0.1*(f(x))，结果死活不收敛。后来一检查，Lipschitz 常数大于 1，压缩条件不满足。换成 g(x) = x + 0.01*(f(x)) 后，立马收敛了。

1.3 迭代收敛的充分必要条件

压缩映射原理给出了充分条件，但不是必要条件。也就是说，即使不满足压缩条件，迭代也可能收敛。那到底什么时候收敛？什么时候发散？

我们来看一个更精确的结论：

条件	结论	说明
|g'(x*)| < 1	局部收敛	初始值足够接近解时收敛
|g'(x*)| = 1	不确定	需要更高阶导数判断
|g'(x*)| > 1	发散	即使初始值很接近也会发散

这个表格我建议你记下来。在实际工程中，我们通常先估算解的大致位置，然后检查 g'(x) 的值是否小于 1。如果是，那就放心迭代；如果不是，赶紧换方法。

我曾经犯过一个错误：用迭代法求解一个非线性方程组，没检查导数就直接开算，结果算了 1000 步还没收敛。后来一查，g'(x*) ≈ 1.2，根本不可能收敛。白白浪费了计算资源。

1.4 知识体系总览

为了让大家对本章内容有个整体把握，我画了一张流程图。它展示了不动点迭代法的核心逻辑：从方程求根出发，经过等价变换得到迭代格式，然后通过压缩映射原理判断收敛性，最后用充分必要条件指导实际应用。

1.5 实战要点总结

好了，我们来总结一下本章的核心内容：

• 不动点迭代法：把 f(x)=0 改写成 x=g(x)，然后反复迭代。关键在于 g(x) 的选择。
• 压缩映射原理：如果 |g'(x)| ≤ L < 1，迭代一定收敛。这是最常用的判断工具。
• 充分必要条件：在解 x* 附近，|g'(x*)| < 1 保证局部收敛，> 1 则发散。

下一章我们会讨论收敛速度的量化分析，以及如何加速收敛。但在此之前，我建议你把今天的内容消化透。不动点迭代法看似简单，但它是所有迭代方法的根基。根基不牢，后面学再多技巧也是空中楼阁。

记住：迭代法不是万能的，但不懂收敛原理是万万不能的。