{
  "id": "fixed-point-iteration",
  "title": "不动点迭代",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "不动点迭代通过反复应用映射逼近其不动点，收敛性取决于映射和初始近似值。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "不动点迭代法",
    "固定点迭代",
    "简单迭代法",
    "逐次逼近法",
    "皮卡迭代"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/fixed-point-iteration/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/fixed-point-iteration/",
      "json": "https://aiwiki.page/en/fixed-point-iteration.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "不动点迭代是数值分析中用于逼近映射的不动点的方法；不动点即满足 \\(g(x^\\ast)=x^\\ast\\) 的点 \\(x^\\ast\\)。从初始近似值 \\(x_0\\) 出发，该方法生成序列\n\n\\[x_{n+1}=g(x_n),\\qquad n=0,1,2,\\ldots.\\]\n\n如果该序列收敛于 \\(x^\\ast\\)，且 \\(g\\) 在该点连续，那么 \\(x^\\ast\\) 就是不动点。这种方法适用于实数、向量、函数以及更一般的数学对象。它形式简单，是一种基本的计算方法，但能否奏效在很大程度上取决于所选的映射和初始点。"
    },
    {
      "heading": "表述与解释",
      "text": "求根问题\n\n\\[f(x)=0\\]\n\n通常可以改写为\n\n\\[x=g(x).\\]\n\n例如，对任意非零常数 \\(\\lambda\\)，原方程都等价于\n\n\\[x=x-\\lambda f(x).\\]\n\n由此得到迭代格式\n\n\\[x_{n+1}=x_n-\\lambda f(x_n).\\]\n\n等价的方程不一定能产生同样有效的算法。一种变形可能收敛很快，另一种可能收敛缓慢，还有一种可能根本不收敛。因此，计算中的问题不仅是找出一个不动点方程，还要选择一个映射，使反复应用该映射的结果趋近于所需的解。\n\n用函数复合表示，\n\n\\[x_n=g^{\\circ n}(x_0),\\]\n\n其中 \\(g^{\\circ n}\\) 表示连续应用 \\(g\\) 共 \\(n\\) 次。同样的构造也定义了一个离散动力系统，其中的不动点可能吸引或排斥附近的轨道。\n\n对于实值映射，可以借助曲线 \\(y=g(x)\\) 和 \\(y=x\\) 进行图形解释。两条曲线的交点就是不动点。在两条曲线之间反复沿竖直方向和水平方向移动，会形成一幅蛛网图，直观展示收敛、振荡或发散的情形。"
    },
    {
      "heading": "压缩条件下的收敛性",
      "text": "最主要的一般性收敛结论是巴拿赫不动点定理。设 \\((X,d)\\) 是非空的完备度量空间，并假设 \\(g:X\\to X\\) 是压缩映射：存在常数 \\(q\\)，满足 \\(0\\le q<1\\)，使得对所有 \\(x,y\\in X\\)，都有\n\n\\[d(g(x),g(y))\\le q\\,d(x,y)\\]\n\n则：\n\n- \\(g\\) 在 \\(X\\) 中恰有一个不动点 \\(x^\\ast\\)。\n- 从任意 \\(x_0\\in X\\) 出发，迭代都收敛于 \\(x^\\ast\\)。\n- 误差满足\n\n\\[d(x_n,x^\\ast)\\le q^n d(x_0,x^\\ast).\\]\n\n完备性保证迭代生成的柯西序列在该空间内有极限。条件 \\(g(X)\\subseteq X\\) 则保证每一步都停留在压缩估计适用的区域内。\n\n两个有用的误差界为\n\n\\[d(x_n,x^\\ast) \\le \\frac{q^n}{1-q}\\,d(x_1,x_0)\\]\n\n以及对 \\(n\\ge 1\\)，\n\n\\[d(x_n,x^\\ast) \\le \\frac{q}{1-q}\\,d(x_n,x_{n-1}).\\]\n\n前者是基于初始一步的先验误差界；后者是基于已算出的迭代值的后验误差界。\n\n压缩条件是充分条件，而不是必要条件。有些并非压缩映射的映射，其迭代也会收敛。反过来，仅有不动点的存在性，甚至唯一性，也不能保证迭代收敛于该点。"
    },
    {
      "heading": "实值迭代",
      "text": "对于闭区间 \\([a,b]\\) 上的连续可微映射 \\(g\\)，一个便于使用的充分条件是\n\n\\[g([a,b])\\subseteq[a,b], \\qquad \\max_{x\\in[a,b]}|g'(x)|\\le q<1.\\]\n\n由中值定理，上述导数界使 \\(g\\) 成为该区间上的压缩映射。自映射条件则防止迭代值离开这个区间。\n\n局部吸引与排斥\n\n设 \\(x^\\ast\\) 是不动点，且 \\(g\\) 在其附近连续可微。由泰勒级数展开可得\n\n\\[x_{n+1}-x^\\ast =g'(x^\\ast)(x_n-x^\\ast) +o(|x_n-x^\\ast|).\\]\n\n因此：\n\n- 若 \\(|g'(x^\\ast)|<1\\)，则该不动点具有局部吸引性：从足够接近它的初始点出发，迭代会收敛于它。\n- 若 \\(|g'(x^\\ast)|>1\\)，则该不动点具有局部排斥性。\n- 若 \\(|g'(x^\\ast)|=1\\)，则导数判别法无法给出结论。\n\n当 \\(0<g'(x^\\ast)<1\\) 时，附近的误差通常保持同号。当 \\(-1<g'(x^\\ast)<0\\) 时，误差通常正负交替。\n\n在临界情形下，不同映射的表现可能大不相同。在零点附近，\\(g(x)=x-x^3\\) 会吸引绝对值足够小的初始值，而 \\(g(x)=x+x^3\\) 会排斥附近的非零初始值。两者都满足 \\(g'(0)=1\\)。\n\n示例：求解 \\(x=\\cos x\\)\n\n考虑\n\n\\[x_{n+1}=\\cos x_n.\\]\n\n在 \\([0,1]\\) 上，余弦函数将该区间映射到自身，且满足\n\n\\[|g'(x)|=|\\sin x|\\le \\sin 1<1.\\]\n\n因此，从该区间内的任意初始值出发，迭代都会收敛到区间内唯一的不动点，\n\n\\[x^\\ast\\approx 0.7390851332.\\]\n\n相比之下，通过\n\n\\[x_{n+1}=\\frac{2}{x_n}\\]\n\n求解 \\(x^2=2\\) 通常无法收敛。对任意非零的 \\(x_0\\)，都有\n\n\\[x_2=x_0,\\]\n\n因此，除非初始值本身就是不动点，否则序列会形成二周期循环。另一种迭代\n\n\\[x_{n+1}=\\frac12\\left(x_n+\\frac{2}{x_n}\\right)\\]\n\n则从任意正初始值出发都收敛于 \\(\\sqrt{2}\\)。"
    },
    {
      "heading": "收敛速度",
      "text": "设 \\(e_n=x_n-x^\\ast\\)。在通常的误差非零假设下，如果收敛的迭代满足\n\n\\[\\lim_{n\\to\\infty} \\frac{|e_{n+1}|}{|e_n|^p} =C, \\qquad 0<C<\\infty.\\]\n\n则称其收敛阶为 \\(p\\)。\n\n对于光滑的标量映射：\n\n- 若 \\(0<|g'(x^\\ast)|<1\\)，则为线性收敛，渐近收敛因子为 \\(|g'(x^\\ast)|\\)。\n- 若 \\(g'(x^\\ast)=0\\) 且 \\(g''(x^\\ast)\\ne0\\)，则为二次收敛。\n- 更一般地，若不动点处第一个非零导数为 \\(p\\) 阶导数，且 \\(p\\ge2\\)，则只要迭代没有在有限步内达到解，其局部收敛阶就为 \\(p\\)。\n\n线性收敛因子接近 1 时，收敛速度很慢。因此，一种迭代即使满足严格的收敛定理，在计算上也可能仍然效率低下。\n\n牛顿法是一个重要特例：\n\n\\[g(x)=x-\\frac{f(x)}{f'(x)}.\\]\n\n对于充分光滑的函数，在其单根处有 \\(g'(x^\\ast)=0\\)，这解释了牛顿法的局部二次收敛性。但这种局部优势并不意味着从任意初始值出发都能收敛。"
    },
    {
      "heading": "向量迭代与线性迭代",
      "text": "对于映射 \\(g:\\mathbb{R}^m\\to\\mathbb{R}^m\\)，更新公式仍为\n\n\\[x_{n+1}=g(x_n).\\]\n\n压缩估计可以用范数表示为\n\n\\[\\|g(x)-g(y)\\|\\le q\\|x-y\\|, \\qquad q<1.\\]\n\n如果 \\(g\\) 在不动点附近连续可微，则其雅可比矩阵决定局部行为：\n\n\\[e_{n+1}=Dg(x^\\ast)e_n+o(\\|e_n\\|).\\]\n\n局部收敛的一个充分条件是\n\n\\[\\rho(Dg(x^\\ast))<1,\\]\n\n其中谱半径 \\(\\rho\\) 是矩阵各特征值绝对值的最大值。如果谱半径大于 1，则不动点不稳定；等于 1 时则需要进一步分析。\n\n对于仿射迭代\n\n\\[x_{n+1}=Bx_n+c,\\]\n\n误差严格满足\n\n\\[e_{n+1}=Be_n.\\]\n\n从任意初始向量出发都收敛于唯一不动点，当且仅当\n\n\\[\\rho(B)<1.\\]\n\n这一框架涵盖了求解线性方程组的定常迭代法。给定 \\(Ax=b\\)，选取分裂\n\n\\[A=M-N\\]\n\n其中 \\(M\\) 可逆。于是\n\n\\[x_{n+1}=M^{-1}Nx_n+M^{-1}b.\\]\n\n不同的分裂方式会得到雅可比迭代、高斯–赛德尔迭代等方法。在实际实现中，应用 \\(M^{-1}\\) 通常意味着求解一个更简单的线性方程组，而不是显式构造逆矩阵。"
    },
    {
      "heading": "松弛与加速",
      "text": "松弛迭代将直接更新替换为\n\n\\[x_{n+1}=(1-\\omega)x_n+\\omega g(x_n).\\]\n\n当 \\(\\omega\\ne0\\) 时，它与 \\(g\\) 具有相同的不动点。取值 \\(0<\\omega<1\\) 称为欠松弛*；取值 \\(\\omega>1\\) 称为超松弛*。\n\n在标量不动点处，松弛后映射的导数为\n\n\\[1-\\omega+\\omega g'(x^\\ast).\\]\n\n选择适当的 \\(\\omega\\) 可以加快收敛，或使某些振荡迭代稳定下来，但也可能导致发散。欠松弛并非万能的补救措施：如果 \\(g'(x^\\ast)>1\\)，那么任意正的 \\(\\omega\\) 都会使上述导数仍大于 1。\n\n加速方法利用多个迭代值所包含的信息。对于标量序列，艾特肯 Δ² 加速法在分母非零时构造\n\n\\[\\widehat{x}_n =x_n-\\frac{(x_{n+1}-x_n)^2} {x_{n+2}-2x_{n+1}+x_n},\\]\n\n它可以消除线性收敛序列中占主导的几何型误差，但分母过小时，计算可能对舍入误差十分敏感。\n\n对于向量问题，安德森加速法通过求解一个小规模最小二乘问题，将先前的迭代值和残差组合起来。其效果取决于映射、保存的历史信息以及实现中的保护措施。"
    },
    {
      "heading": "应用",
      "text": "不动点迭代既可用于构造算法，也可用于证明解的存在性。\n\n- 微分方程。 对于初值问题\n\n\\[y'(t)=F(t,y(t)),\\qquad y(t_0)=y_0,\\]\n\n皮卡迭代应用积分算子\n\n\\[y_{n+1}(t) =y_0+\\int_{t_0}^{t}F(s,y_n(s))\\,ds.\\]\n\n在适当的连续性条件和利普希茨连续性条件下，在足够短的区间上，该算子是适当函数空间上的压缩映射。这是常微分方程解的局部存在唯一性理论的基础。\n- 优化。 梯度下降就是不动点迭代\n\n\\[x_{n+1}=x_n-\\alpha\\nabla F(x_n).\\]\n\n它的不动点是 \\(F\\) 的驻点；这些驻点是否为极小值点，以及迭代是否收敛，都需要额外假设。\n- 动态规划。 价值迭代反复应用贝尔曼算子。在奖励有界的标准折扣模型中，该算子在上确界范数下是压缩映射。\n- 非线性模型与离散化方程。 耦合的均衡方程以及非线性微分方程离散化后得到的方程，通常可以通过反复计算映射值或求解较简单的子问题来求解。\n\n皮卡迭代这一名称尤其常用于微分方程中的逐次逼近，而不动点迭代的使用范围更广。"
    },
    {
      "heading": "停止准则与局限性",
      "text": "一种常见的停止准则是\n\n\\[\\|x_{n+1}-x_n\\| \\le \\varepsilon_{\\mathrm{abs}} +\\varepsilon_{\\mathrm{rel}}\\|x_{n+1}\\|.\\]\n\n它衡量的是迭代步长，而不是直接衡量误差。\n\n定义不动点残差为\n\n\\[r(x)=g(x)-x.\\]\n\n在压缩常数为 \\(q<1\\) 的压缩估计下，\n\n\\[\\|x-x^\\ast\\| \\le \\frac{\\|r(x)\\|}{1-q}.\\]\n\n因此，已知适当的压缩常数时，就可以由残差得到有保证的误差界。如果 \\(q\\) 接近 1，即使残差很小，对应的误差也可能大得多。\n\n对于改写后的方程 \\(f(x)=0\\)，原方程的残差同样重要。在迭代 \\(g(x)=x-\\lambda f(x)\\) 中，即使 \\(f(x)\\) 仍然很大，极小的 \\(\\lambda\\) 也可能产生极小的步长。\n\n其他局限性包括依赖初始近似值、收敛于非预期的不动点、出现周期循环、越出映射的定义域以及收敛缓慢。在浮点运算中，由于相邻迭代值被舍入为同一个数，计算出的迭代序列可能停滞。因此，有限精度下的终止本身并不能证明已经达到精确解。"
    }
  ],
  "links": [
    "numerical-analysis",
    "fixed-point",
    "function-composition",
    "dynamical-system",
    "banach-fixed-point-theorem",
    "complete-metric-space",
    "contraction-mapping",
    "cauchy-sequence",
    "mean-value-theorem",
    "taylor-series",
    "newtons-method",
    "norm-mathematics",
    "jacobian-matrix",
    "system-of-linear-equations",
    "lipschitz-continuity",
    "ordinary-differential-equation",
    "gradient-descent",
    "value-iteration",
    "floating-point-arithmetic"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}