收尾 · 一张图串起整条主线
七站走完，回头看。这一章不引入新知识，而是把整条专栏里反复出现的几条主线——误差是主角、病态与不稳、灾难性抵消、数学等价≠数值等价、步长两难、直接法vs迭代法——收拢成一张全景图和一套世界观。
收尾 · 一张图串起整条主线
从 0.1 + 0.2 != 0.3 出发，我们走了整整七站。这一章不讲新东西，只做一件事：把一路上反复冒头的那几条主线拎出来，让它们从「零散的坑」变成「一套看待数值计算的世界观」。
七站全景
七站是「地图」，但真正的收获是横切它们的几条主线。下面逐条收束。
主线一：误差是唯一的主角
主线二：分清「问题病态」还是「算法不稳」
这是整门课最重要的一个区分，值得反复默念：
| 条件数（conditioning） | 稳定性（stability） | |
|---|---|---|
| 描述的是 | 问题本身 | 算法本身 |
| 坏的时候叫 | 病态（ill-conditioned） | 不稳定（unstable） |
| 含义 | 输入微扰 → 输出剧变，与算法无关 | 算法自己在放大舍入误差 |
| 能不能换算法救 | 不能（问题的锅） | 能（换个稳的算法） |
条件数那章立起这把标尺后，它在后面每一站都在用：主元消去是「算法不稳」的修复（问题没病，换部分主元就好）；Hilbert 矩阵 / 特征值的困难是「问题病态」（换算法也白搭）。遇到烂结果，先问一句：是问题的错，还是算法的错？ 问错方向，力气全白费。
主线三：灾难性抵消，那个反复出现的反派
主线四：数学等价 ≠ 数值等价
纸面上相等的两个式子，在浮点世界里可能一个精准、一个稀烂。这是从「数学思维」升级到「数值思维」的关键一跃：
| 数学上等价的两种写法 | 该用哪个 | 为什么 |
|---|---|---|
inv(A) @ b vs solve(A, b) | solve | 求逆又慢又不稳（解方程组） |
正规方程 vs lstsq | lstsq(QR/SVD) | 正规方程把 平方 |
| 特征多项式求根 vs QR 算法 | QR 算法 | 多项式根对系数极度敏感 |
朴素求和 vs Kahan / fsum | 补偿求和 | 累加丢低位 |
| 朴素求根公式 vs Vieta | Vieta | 绕开抵消 |
记住：代数恒等式保证「值相等」，不保证「浮点上算出来相等」。 选公式时，脑子里要同时挂着数学和数值两把尺。
主线五：步长与收敛——两难和「阶」
「一步迈多大」这个旋钮，在好几站以同一副面孔出现，而且都是两难：
而衡量方法快慢的尺子是收敛阶：二分法线性、牛顿法平方、梯形 、RK4 。阶越高，同样步长下误差降得越狠——这是「值不值得每步多算」的判据。
主线六：直接法 vs 迭代法
解同一个问题，常有两条路，气质迥异：
规模和结构决定选哪条——这个二分贯穿求根、线性代数、最优化。
结语：理解原理，然后放心用库
你可能注意到，几乎每章末尾我都说同一句话：「别自己写，用 numpy / scipy」。这不矛盾——恰恰相反：
手写算法是为了「看懂库在做什么、以及为什么那么做」；真到干活，库的实现几十年千锤百炼，又快又稳，你几乎永远赢不了。 但理解原理让你有能力做真正重要的判断：
- 结果不对时，知道去哪找病根（是病态？不稳？抵消？步长？）。
- 选 API 时，知道为什么
solve而非inv、lstsq而非正规方程。 - 遇到刚性、高维、病态时，知道该换哪种武器。
这就是数值计算的世界观：对每一个数字都抱一份健康的怀疑，永远追问它的误差从哪来、有多大、会不会被放大。 带着这份怀疑，你就能在浮点的世界里，把「看起来对」变成「真的可信」。
《数值计算的艺术》到此完结。愿你从此看到任何一个浮点数，都会心一笑，然后多问一句：它，可信吗？
参考文献
- [1] Nick Higham.《Accuracy and Stability of Numerical Algorithms》—— 误差、条件数、稳定性总纲。
- [2] Trefethen & Bau.《Numerical Linear Algebra》—— 数值线性代数的现代经典。
- [3] Cleve Moler.《Numerical Computing with MATLAB》—— 平易近人的数值计算入门(免费开放)。