《数值分析》-- 雅可比与高斯—塞德尔迭代法的收敛性对比与应用场景

1. 迭代法入门：从方程组求解说起

解线性方程组是数值分析中最基础也最重要的任务之一。记得我第一次接触大型线性方程组时，被它的规模吓到了——想象一下要解一个包含1000个方程的方程组，用传统的高斯消元法简直是一场噩梦。这时候迭代法就派上用场了，它像是一位耐心的解谜者，一步步接近正确答案。

雅可比迭代法和高斯-塞德尔迭代法是两种最经典的迭代方法。它们的基本思路很相似：把方程组Ax=b改写为x=Bx+f的形式，然后从一个初始猜测x⁽⁰⁾出发，通过迭代公式x⁽ᵏ⁺¹⁾=Bx⁽ᵏ⁾+f不断逼近真实解。这个过程中，每次迭代都相当于对解向量进行一次"修正"。

我常把这个过程比作用GPS导航：刚开始可能定位不太准（初始猜测），但系统会根据当前位置不断调整路线（迭代过程），最终带你到达目的地（收敛解）。不过要注意，不是所有导航都能成功带你到达终点——有些迭代法可能会"迷路"（发散），这就是我们后面要讨论的收敛性问题。

2. 雅可比迭代法详解

2.1 算法原理与实现

雅可比迭代法是最直观的迭代方法。它的核心思想是"分而治之"：在计算第k+1次迭代的第i个分量时，只使用第k次迭代的其他分量值。具体来说，对于方程组Ax=b，雅可比迭代的公式为：

python复制x_i^{(k+1)} = (b_i - Σ_{j≠i} a_{ij}x_j^{(k)}) / a_{ii}

这个公式实现起来特别简单。我通常建议新手从这个方法入手，因为它逻辑清晰，便于理解迭代法的本质。下面是一个Python实现的代码片段：

python复制def jacobi(A, b, max_iter=1000, tol=1e-10):
    n = len(b)
    x = np.zeros(n)
    for _ in range(max_iter):
        x_new = np.zeros(n)
        for i in range(n):
            s = sum(A[i][j] * x[j] for j in range(n) if j != i)
            x_new[i] = (b[i] - s) / A[i][i]
        if np.linalg.norm(x_new - x) < tol: