{
  "id": "condition-number",
  "title": "条件数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "条件数衡量问题输入的微小变化可能对其解产生多大影响。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/condition-number/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/condition-number/",
      "json": "https://aiwiki.page/en/condition-number.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "条件数用于量化数学问题的输出对输入微小扰动的敏感程度。它衡量的是输入误差可能被放大的程度，而不是某种具体计算方法所引入的误差。条件数较小的问题称为良态问题，条件数较大的问题称为病态问题。这一概念在数值线性代数和敏感性分析中具有核心地位，它将数据的不确定性与计算结果的不确定性联系起来。条件数的值取决于问题本身、输入以及衡量扰动的方式。(nhigham.com)"
    },
    {
      "heading": "一般定义",
      "text": "设一个问题由有限维赋范向量空间之间的函数 \\(f\\) 表示。当 \\(x\\) 和 \\(f(x)\\) 均非零时，其局部相对条件数可定义为\n\n\\[\\kappa_{\\mathrm{rel}}(f,x)= \\lim_{\\varepsilon\\downarrow0} \\sup_{0<\\|\\Delta x\\|\\leq\\varepsilon\\|x\\|} \\frac{\\|f(x+\\Delta x)-f(x)\\|/\\|f(x)\\|} {\\|\\Delta x\\|/\\|x\\|}.\\]\n\n扰动后的输入必须仍在允许的输入范围内。上确界表示所有允许方向上的最坏情况敏感程度，而极限则使这一定义具有局部性。若 \\(f\\) 可微，则\n\n\\[\\kappa_{\\mathrm{rel}}(f,x) =\\frac{\\|Df(x)\\|\\,\\|x\\|}{\\|f(x)\\|},\\]\n\n其中，导数的范数是诱导算子范数。在多变量情形下，导数由雅可比矩阵表示。(nhigham.com)\n\n对于标量函数，上式化为 \\(\\left|xf'(x)/f(x)\\right|\\)。例如，在输入和输出均非零的适当定义域上，\\(f(x)=x^p\\) 的相对条件数为 \\(|p|\\)。绝对条件数则比较输出的绝对变化与输入的绝对变化；在函数可微时，其表达式为 \\(\\|Df(x)\\|\\)。当输入或输出为零时，相对归一化可能没有定义，此时需要采用绝对或混合形式。(nhigham.com)"
    },
    {
      "heading": "矩阵条件数",
      "text": "对于可逆方矩阵 \\(A\\)，标准的基于范数的矩阵条件数为\n\n\\[\\kappa(A)=\\|A\\|\\,\\|A^{-1}\\|,\\]\n\n其中 \\(A^{-1}\\) 是其逆矩阵。这一量衡量矩阵求逆和线性方程组求解中的敏感程度。不同的范数给出不同的条件数，通常记为 \\(\\kappa_1\\)、\\(\\kappa_2\\) 和 \\(\\kappa_\\infty\\)。(netlib.org)\n\n在欧几里得算子范数下，由奇异值分解可得\n\n\\[\\kappa_2(A)= \\frac{\\sigma_{\\max}(A)}{\\sigma_{\\min}(A)}.\\]\n\n从几何上看，这一比值比较了 \\(A\\) 对向量的最大和最小伸缩程度。最小奇异值很小，意味着存在一个方向，矩阵在该方向上产生强烈压缩，而求逆则在该方向上产生强烈放大。通常约定奇异方阵的条件数为无穷大。(cs.cornell.edu)\n\n由该公式可知，\\(\\kappa_2(A)\\geq1\\)，矩阵乘以非零标量后条件数不变，而正交矩阵的条件数为 1。例如，根据该公式，\n\n\\[A=\\begin{pmatrix}1&0\\\\0&10^{-8}\\end{pmatrix}\\]\n\n的条件数为 \\(\\kappa_2(A)=10^8\\)。将所有元素按相同比例缩放，不会改变这一比值：相对条件数关注的是不同方向上伸缩程度的不均衡，而不只是矩阵元素的数值是否很小。(cs.cornell.edu)"
    },
    {
      "heading": "线性方程组与扰动界",
      "text": "考虑线性方程组 \\(Ax=b\\)，其中 \\(A\\) 可逆且 \\(b\\neq0\\)。若只有右端项发生变化，则\n\n\\[A(x+\\Delta x)=b+\\Delta b, \\qquad \\Delta x=A^{-1}\\Delta b.\\]\n\n因此，\n\n\\[\\frac{\\|\\Delta x\\|}{\\|x\\|} \\leq \\kappa(A)\\frac{\\|\\Delta b\\|}{\\|b\\|}.\\]\n\n这是最坏情况下的界，并不意味着每个扰动都会被放大到这一程度。对于固定的 \\(b\\)，映射 \\(b\\mapsto A^{-1}b\\) 的精确相对条件数为 \\(\\|A^{-1}\\|\\|b\\|/\\|x\\|\\)，它可能小于 \\(\\kappa(A)\\)。(cs.cornell.edu)\n\n系数矩阵中的扰动也很重要。对这类扰动的分析取决于误差是按范数还是按分量衡量，以及允许变化的是 \\(A\\)、\\(b\\)，还是二者。因此，基于范数的条件数无法完整描述所有可能的不确定性模型。当数据各元素的数量级相差很大时，按分量给出的界能更好地反映这种数据的特点。(netlib.org)"
    },
    {
      "heading": "问题的条件性与数值稳定性",
      "text": "条件性是数学问题的性质；数值稳定性则是算法的性质。前向误差衡量计算结果与精确结果之间的差异。后向误差衡量需要将输入改变多少，才能使计算结果成为精确结果。后向稳定的方法所产生的结果，是某个邻近问题的精确解。(cs.cornell.edu)\n\n当误差较小时，核心关系可概括为\n\n\\[\\text{相对前向误差} \\lesssim \\text{条件数}\\times \\text{相对后向误差}.\\]\n\n因此，即使计算过程是后向稳定的，在求解病态问题时仍可能产生很大的前向误差。在浮点运算中，舍入会带来后向误差，而问题的条件性决定了这种误差可能被放大到何种程度。这是两种不同的影响，需要分别分析。(cs.cornell.edu)\n\n对于计算得到的解 \\(\\widehat{x}\\)，残差 \\(r=b-A\\widehat{x}\\) 衡量它未能满足方程的程度。仅有小残差并不能保证解的误差也小：要将残差信息转化为前向误差界，还需要有关条件性的信息。(netlib.org)"
    },
    {
      "heading": "最小二乘与估计",
      "text": "对于满列秩的矩形矩阵，即矩阵的秩等于其列数的情形，相应的量为\n\n\\[\\kappa_2(A)=\\|A\\|_2\\|A^\\dagger\\|_2,\\]\n\n其中 \\(A^\\dagger\\) 是摩尔—彭罗斯伪逆。在普通最小二乘法问题中，列向量若接近失去线性无关性，就可能使拟合系数对扰动高度敏感。不过，敏感程度还取决于残差以及 \\(b\\) 相对于矩阵列空间的位置；仅靠矩阵条件数无法完整描述这一情况。正则化通过改变拟合问题，对原本难以确定的解施加约束。(cs.cornell.edu)\n\n实践中常采用条件数估计，而不是显式计算逆矩阵。LAPACK 的误差估计例程通常返回 RCOND，即条件数倒数的估计值。当问题极度病态时，使用倒数可以避免溢出；接近零的值表明，在所选范数下估计的敏感程度很高。(netlib.org)"
    }
  ],
  "links": [
    "numerical-linear-algebra",
    "sensitivity-analysis",
    "normed-vector-space",
    "mathematical-function",
    "limit",
    "derivative",
    "norm-mathematics",
    "jacobian-matrix",
    "matrix",
    "inverse-matrix",
    "singular-value-decomposition",
    "orthogonal-matrix",
    "system-of-linear-equations",
    "numerical-stability",
    "algorithm",
    "floating-point-arithmetic",
    "matrix-rank",
    "moore-penrose-pseudoinverse",
    "ordinary-least-squares",
    "linear-independence",
    "regularization"
  ],
  "sources": [
    {
      "title": "nhigham.com/2020/03/19/what-is-a-condition-number/",
      "url": "https://nhigham.com/2020/03/19/what-is-a-condition-number/"
    },
    {
      "title": "netlib.org/lapack/lug/node75.html",
      "url": "https://www.netlib.org/lapack/lug/node75.html"
    },
    {
      "title": "cs.cornell.edu/courses/cs322/2007sp/notes/condition.pdf",
      "url": "https://www.cs.cornell.edu/courses/cs322/2007sp/notes/condition.pdf"
    },
    {
      "title": "netlib.org/lapack/lug/node81.html",
      "url": "https://www.netlib.org/lapack/lug/node81.html"
    },
    {
      "title": "cs.cornell.edu/courses/cs6210/2025fa/lec/2025-08-27.html",
      "url": "https://www.cs.cornell.edu/courses/cs6210/2025fa/lec/2025-08-27.html"
    },
    {
      "title": "cs.cornell.edu/courses/cs6210/2025fa/lec/2025-09-10.html",
      "url": "https://www.cs.cornell.edu/courses/cs6210/2025fa/lec/2025-09-10.html"
    },
    {
      "title": "cs.cornell.edu/courses/cs6210/2025fa/lec/2025-10-01.html",
      "url": "https://www.cs.cornell.edu/courses/cs6210/2025fa/lec/2025-10-01.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}