迭代方程求解：为什么有时收敛快，有时却停滞不前

先搞清楚：你在迭代什么

很多人第一次接触迭代方程求解时，会把“迭代”和“循环计算”混为一谈。循环只是重复执行，而迭代的核心是构造一个映射，让上一次的输出成为下一次的输入，并且这个映射要把猜测值往不动点方向拉。

举个例子，想解一个形如 x = g(x) 的方程，你可以把等式右边当作更新规则：给定一个初值，算出新的值，再代回去。这个过程是否有效，取决于 g 在不动点附近的行为。如果每次代入都把误差缩小，迭代就有意义；如果误差被放大，再多次重复也只是离答案越来越远。

所以动手之前，先问自己：我构造的更新规则，是收缩的还是发散的？这一步判断错了，后面的计算再精细也没有意义。

初值不是随便给的

教科书常把初值描述成一个“合理的起点”，听起来很随意，实际却很关键。同一个方程，换一个初值，可能一个很快稳定，另一个却来回震荡甚至跑飞。

比较稳妥的做法是先做一点定性分析：画出函数图像，看看根大致落在哪个区间；或者用几个试探点代入，观察符号变化。这样选出的初值通常离目标不远，迭代路径也更平顺。

还有一种情况值得留意：方程有多个根时，不同的初值可能把你引向不同的解。如果你只想要其中某一个，就得让初值落在对应的吸引域内。很多“结果不对”的抱怨，其实不是算法错了，而是起点选到了另一个解的势力范围里。

收敛速度与停止准则的拉扯

收敛速度决定了你要算多少轮。有的迭代每轮都能把误差压下去一大截，有的则像挤牙膏，每轮只前进一点点。前者适合对效率有要求的场景，后者虽然慢，但往往更稳定、对初值不那么挑剔。

实际计算中，你总得设一个停止准则，不可能一直算下去。常见做法是看相邻两次结果的差距，或者看更新量相对于当前值的大小。这里有个容易忽略的陷阱：更新量很小，并不一定意味着已经接近真解。如果迭代本身就接近停滞，两次结果几乎一样，但离真正的根还差得远，此时贸然停止就会得到一个看似稳定、实则偏差不小的答案。

更谨慎的方式是同时观察更新量和残差，也就是把当前近似值代回原方程后左右两边的差距。两者都足够小，才比较让人放心。

什么时候该换一种思路

迭代方程求解不是万能的。如果映射的导数在根附近绝对值不小于一，简单的逐次代入就很难收敛，这时继续调参数、换初值往往收效甚微，不如换一种构造方式，比如把方程改写成另一种等价形式，让新的映射具备收缩性。

另外，如果函数本身不光滑、存在间断，或者根附近变化剧烈，迭代过程可能出现跳跃和振荡。此时可以退一步，先用图像或分段搜索把根的范围缩小，再在小区间内做迭代。

还有一点常被忽视：迭代得到的始终是近似值。对精度要求不高的场景，几轮之后就可以接受；但对结果敏感的分析，最好保留中间过程，观察误差是否在稳定下降，而不是只看最后那个数。

相关文章

• 面对2阶导数方程求解，如何理清思路不踩坑？

  围绕2阶导数方程求解，梳理常微分方程的类型判断、降阶技巧与边界条件处理，帮助读者建立清晰的解题框架。

• 2范数方程求解：几何直观与迭代收敛

  理解2范数方程求解的几何含义、线性与非线性路径，以及迭代收敛与正则化取舍。

• 2求解矩阵方程：从困惑到清晰

  理解2求解矩阵方程的含义、适用场景与常见误区，掌握矩阵方程求解的基本思路与验证方法。

• 2次方程组求解：从困惑到清晰

  理解2次方程组求解的核心思路，掌握消元与代入的灵活运用，避开常见误区，让复杂问题变得简单。

• 2次方程求解器：从输入到答案的思维过程

  探索2次方程求解器背后的数学逻辑，理解判别式如何决定根的性质，以及如何正确解读计算结果。

常见问题