数值计算的艺术

序 · 为什么「算得快」不等于「算得对」

先看一行会让人愣住的代码：

>>> 0.1 + 0.2 == 0.3
False
>>> 0.1 + 0.2
0.30000000000000004

这不是 Python 的 bug，而是几乎所有编程语言、所有用浮点数的计算机共有的现实。它揭示了一件容易被忽略的事：计算机做的不是纸上那种精确的实数运算，而是一种有限精度的近似。 一旦你把课本上那些完美的数学公式，原封不动地搬进计算机，它随时可能给你一个看起来对、其实错得离谱的答案。

数值计算（numerical computing），就是研究怎么在这台「不精确」的机器上，算出足够可信的结果——这是一门手艺，也是这个专栏标题里「艺术」二字的由来。

这门手艺的主角：误差

这个专栏怎么讲

代码优先，手写 + 库对照。 我们用 Python + NumPy（理论对照 SciPy）。每个核心算法都会从零手写一遍——因为数值计算的精髓在于「知道它内部怎么运作、会在哪出错」，光会 scipy.optimize 是不够的；写完再给出库的用法，让你既懂原理、又能实战。

用「收敛表」代替空谈。 数值方法好不好，看它收敛多快、误差多小。我们会反复打印「第几步 → 当前误差」这样的表格，让你亲眼看着误差怎么一步步缩小（或者失控发散）——数字不会骗人。

路线图

分七站，从「机器怎么算数」一路铺到高级利器：

第一站 · 有限精度的世界 —— 浮点数原理、机器精度、灾难性抵消、条件数与稳定性。把误差这个主角讲透，打牢地基。

第二站 · 求根 —— 解 $f(x)=0$：二分法（最稳）、牛顿法（最快但会翻车）、割线法与收敛阶。

第三站 · 线性代数 —— 解 $Ax=b$：高斯消元与 LU 分解、选主元与病态矩阵、迭代法（对付大稀疏）、以及特征值。

第四站 · 逼近 —— 插值与拟合：多项式插值的 Runge 陷阱、样条的智慧、最小二乘。

第五站 · 微积分的数值版 —— 数值微分（为什么天生不稳）、数值积分、常微分方程（Euler 到 RK4）、刚性方程。

第六站 · 更多利器 —— 快速傅里叶变换（FFT）、蒙特卡洛（用随机算积分）、最优化（梯度下降与牛顿法找极值）。

第七站 · 收尾 —— 数值计算的十条铁律 + 「何时用库、何时手写」+ 常见陷阱清单。

读之前，你最好有

• 会 Python：函数、循环、numpy 数组切片，够了。
• 高数 / 线代的基本概念：导数是斜率、积分是面积、矩阵怎么乘——有「感觉」就行，细节需要时就地补一小段。
• 一点「较真」的劲头：这门课会反复问「这个答案到底准不准、误差多大、可信吗」。在数值计算里，「差不多对」和「真的对」之间，隔着一整门学问。

准备好了，我们从那行 0.1 + 0.2 背后的真相开始——计算机到底怎么存一个实数：浮点数：0.1 + 0.2 为什么不等于 0.3。