计算数学

计算数学教程导读：像侦探一样追查数值误差

一句话定位：计算数学是研究"如何用离散、有限的浮点运算去逼近连续、无限的数学对象"的学科，而它的全部核心，可以用一个词概括——误差。本教程以"误差侦探社"的方式组织：每个数值方法都是一桩案件，我们先看事故现场，再取证、定性、结案。

海湾战争的一个深夜，沙特达兰港的美军兵营正在酣睡，值班室里的爱国者导弹系统指示灯一切正常。这套系统已经连续运行了约一百个小时，此前多次成功拦截来袭导弹。然而就在这个晚上，它的拦截窗口悄悄偏移了 0.36 秒——来袭的飞毛腿导弹从防御盲区穿过，28 名士兵丧生。事后调查报告写得很清楚：系统内部用 24 位二进制小数表示 0.1 秒这个计时单位，而 0.1 在二进制中是无限循环小数，截断误差约每个计数周期 0.000000095 秒。100 小时里，这个微不足道的误差被持续累积放大了 3433800 倍。

这不是一个孤例。阿丽亚娜 5 号火箭因数值溢出自毁、温哥华证券交易所指数因向下舍入每年"蒸发"约 50% 的市值、Intel 奔腾芯片除法缺陷赔偿数亿美元——计算数学的教科书里，每一条防错守则背后几乎都躺着一次真实事故。

为什么你需要"侦探视角"

传统计算数学教材的写法是：定义 → 定理 → 算法 → 伪代码。这套顺序对考试有效，但对工程实践是反的。真实世界里数值问题从来不会自我介绍为"这是一个病态线性系统"，它伪装成：训练 loss 变成 NaN、仿真结果对网格加密不收敛、两个"理论上等价"的公式给出差 3 个数量级的结果、蒙特卡罗模拟跑了一夜方差纹丝不动。

侦探的工作方式是：先到现场（异常现象），再收集证据（浮点表示、残差、条件数），然后定性（是数据病态还是算法不稳），最后结案（换算法、换尺度、换精度）。本教程全篇沿用这个流程，每一章都是一类案件的高发区：

• 第一章 浮点世界的误差档案——所有案件的物证实验室。IEEE 754 表示、大数吃小数、灾难性抵消、Kahan 补偿求和，这里建立"证据链"的基本功。
• 第二章 线性系统的数值现实——最常见案发地点。LU 与 Cholesky 分解、条件数、残差检验、共轭梯度法，你将学会区分"解不准"到底是矩阵的错还是算法的错。
• 第三章 非线性与优化的战场——牛顿法为何发散、梯度下降为何锯齿慢爬、信赖域如何兜底，收敛性分析在这里变成破案工具。
• 第四章 微分方程的时间步进——误差随时间演化的纵火现场。数值积分、Runge-Kutta、刚性问题的隐式方法，以及 CFL 条件这类"隐形法规"。
• 第五章 高维积分与不确定性——维度诅咒下的领地。蒙特卡罗方法、方差缩减、敏感性分析与贝叶斯推断，随机性在这里从敌人变成证词。
• 第六章 工程实践与结果验证——结案卷宗归档处。NumPy/SciPy 的数值边界、基准测试与验证方法、一份可直接套用的数值排错手册。

全册知识地图

六章之间有严格的依赖关系：第一章是物证学，所有后续章节都要回来引用它；第二章和第三章可以并行修读，但都依赖第一章的误差语言；第四章综合了前三章的全部工具；第五章引入概率视角，与第四章平级；第六章是总装车间。

图 0-1 计算数学知识地图与学习路径

读法建议与工具约定

每章支柱页会给出一条贯穿案例主线和各节分工；每节聚焦 1–3 个知识点，配以可以直接运行的 Python 代码。全书代码只依赖 NumPy 与 SciPy，任何一台装了 Python 的机器都能复现。我们的立场是：每个结论都要亲手算一遍——计算数学是一门实验科学，误差不会因为你相信公式就消失。

你可以按章节顺序通读，也可以把它当工具书：遇到 NaN 先翻第六章的排错手册，追查病态先回第二章的条件数一节，蒙特卡罗不收敛看第五章。无论哪种读法，请带着那个老问题出发：这个结果，我能信几分？