James H. Wilkinson：数值分析的守护者，让计算“算得准”而非“算得快”

图灵奖第五届 | James H. Wilkinson：数值分析的守护者，让计算“算得准”而非“算得快”

一句话概括：他用“后向误差”守住了科学计算的底线。

🏆 获奖简介

James Hardy Wilkinson（詹姆斯·H·威尔金森）是数值分析与科学计算领域的奠基者之一。[1][2]

出生时间：1919年9月27日
出生地点：英国肯特郡·斯特罗德（Strood, Kent, UK）
获奖年份：1970年
获奖原因：在数值分析，特别是线性代数与特征值计算中提出并系统化“后向误差（backward error）分析”，极大提升了计算的可靠性与稳定性。[1]

文本风格与术语标注说明

引号：中文内容统一使用中文全角引号“……”。
术语：首次出现时采用“中文（英文）”形式，如“后向误差（backward error）”“前向误差（forward error）”“主元选取（pivoting）”“条件数（condition number，记作 $\kappa$）”。
人名/机构：首次出现给出英文名/缩写，例如“皇家学会（Royal Society, RS）”“国家物理实验室（National Physical Laboratory, NPL）”。
数学：公式用 KaTeX 书写，如 $p(x)=\prod_{k=1}^{20}(x-k)$、$|r|/|b|$。

🚀 他的重大贡献

1. 后向误差分析（backward error）：把“错”放回输入里

思想要点：与其盯着算法输出与真值的差（“前向误差”，forward error），不如问“是否存在一个与原问题极近的‘近似问题’，其精确解恰好就是算法的输出？”——这就是“后向稳定（backward stability）”。[3][5]
价值：只要问题的“条件数（condition number，$\kappa$）”不过分糟糕，后向稳定算法意味着“可相信的结果”。[3]

2. 线性代数算法的稳定性与可实施性

高斯消元的主元选取（partial pivoting）分析，避免数值爆炸，控制“增长因子（growth factor）”。[3]
特征值与奇异值计算：对 QR 迭代（Francis/Kublanovskaya）及相关位移策略进行了系统的实用化分析；对 SVD 的稳定计算给出准则。[4][6][7][10]
影响：支撑了现代 BLAS/LAPACK 等高性能数值库的设计准则与实践实现。[9]

3. 误差传播与条件数（conditioning）

区分“问题的病态（ill-conditioning）”与“算法的不稳定（instability）”。条件数的现代形式可追溯至Alan Turing 对矩阵问题的研究。[8]
实践准则：先看“问题可不可靠”，再谈“算法靠不靠谱”。[3]

4. 经典著作与教育

《Rounding Errors in Algebraic Processes》（1963）：舍入误差与稳定性经典著作。[5]
《The Algebraic Eigenvalue Problem》（1965）：特征值问题的里程碑综述与实用算法指南。[4]
长期在英国国家物理实验室（NPL）工作，参与与领导科学计算研究，培养一代数值分析人才。[2]

🌍 影响力

从航天到气象，从有限元到机器学习数值内核，Wilkinson 的方法论让“算得准”成为工程底线。
他把数值计算从“碰运气”带向“有章法”。

🏅 获奖理由（通俗版）

他证明：正确性不是算完就行，而是要“有可验证的稳定性依据”。这套标准，至今仍是科学计算的金科玉律。

🔬 深入拆解与小例子

A. Wilkinson 多项式：系数微扰 → 根大幅漂移

构造：$p(x)=\prod_{k=1}^{20}(x-k)$。把乘积展开成系数后，只要在高阶系数上做极小扰动，求根会大幅偏移。[5]
启示：由系数“直接”求根是病态问题；优先用分解/正交化的稳定表述（如用伴随矩阵求根需谨慎）。[3]

B. 高斯消元的“增长因子”与主元（pivoting）

无主元消元易引发中间量爆炸；带部分/完全主元可显著降低增长因子，保持稳定。[3]
经验法则：一般场景优先 LU（partial pivoting），病态/秩亏用 QR/SVD；必要时进行尺度化与预处理。[3][9]

C. 残差与后向误差的专业报告

计算 $\hat x$ 后给出残差 $r=b-A\hat x$ 与 $|r|/|b|$，并估计 $\kappa(A)$。[3]
诠释：$\hat x$ 是“稍微改变了 $A$”的线性方程的精确解——这正是后向稳定的含义。

D. 正交变换与 Wilkinson shift（特征值）

Householder/Givens 正交变换几乎不放大误差，是 QR/SVD 稳定性的关键。[3][10]
对称三对角 QR 迭代中的“Wilkinson 移位”，使用尾部 $2\times2$ 子块的特征值作为位移，显著加速收敛并提升鲁棒性。[4]

E. 病态问题的经典样例：Hilbert 矩阵

定义：Hilbert 矩阵 $H\in\mathbb{R}^{n\times n}$，$H_{ij}=\tfrac{1}{i+j-1}$。
特性：随规模 $n$ 增长，$\kappa_2(H)$ 呈爆炸式上升，导致最小的输入扰动也会放大为巨大的解误差。
启示：面对病态问题，仅提升数值精度往往杯水车薪；必须进行尺度化、正则化或改写问题表述。[3][10]

F. 正交化的选择：Householder vs. Gram–Schmidt

经典 Gram–Schmidt（CGS）在数值上较不稳健；修改型 Gram–Schmidt（MGS）相对更好，但仍逊于 Householder 反射的稳定性。
在最小二乘与 QR 分解中，工程上优先 Householder；对流式/稀疏场景可选 Givens 旋转或混合策略。[3][10]

G. 为什么“正规方程”危险？

将最小二乘转为正规方程 $(A^\top A)x=A^\top b$ 会将条件数平方化：$\kappa(A^\top A)=\kappa(A)^2$，显著放大病态性与舍入误差。工程上应优先基于正交变换的 QR 或基于双对角化的 SVD。[3][10]

🧭 给今天开发者的实用清单

最小二乘：优先QR/SVD，避免正规方程 (AᵀA)x=Aᵀb。
线性方程：默认带主元LU；大条件数问题考虑预处理/尺度化。
特征值/SVD：优先库实现（LAPACK/Eigen/MKL/cuSOLVER），避免手写“天真算法”。
质量度量：残差、条件数估计、迭代次数/收敛准则要可追溯。

🧩 常见误区与澄清

“双精度一定够”——对病态问题，增加精度只是延缓失败；先改问题与算法。
“SVD太慢”——在病态/秩亏场景是“该花的成本”，稳定性优先。
“不带主元也能跑”——容易在实际数据上失稳；除非有强结构理由，否则不要。

📅 生平时间线（简要）

1919：出生于英国萨里郡。
1946 起：英国国家物理实验室（NPL）从事数值计算。
1963：著《Rounding Errors in Algebraic Processes》。
1965：著《The Algebraic Eigenvalue Problem》。
1970：获图灵奖。
1986：逝世。

历史事实核对与更正：

出生地为英国肯特郡斯特罗德（Strood, Kent），而非萨里郡。[2]

《Rounding Errors in Algebraic Processes》出版于 1963 年（常见误记为 1959）。[5]

📚 参考资料与延伸阅读

[1] ACM A.M. Turing Award – James H. Wilkinson (1970) 授奖词与生平简介.

[2] Royal Society, Biographical Memoirs: James Hardy Wilkinson (1919–1986). 国家物理实验室（NPL）与生平档案.

[3] Higham, N. J., Accuracy and Stability of Numerical Algorithms, SIAM, 2nd ed., 2002.

[4] Wilkinson, J. H., The Algebraic Eigenvalue Problem, Oxford University Press, 1965.

[5] Wilkinson, J. H., Rounding Errors in Algebraic Processes, Prentice-Hall, 1963.

[6] Francis, J. G. F., The QR Transformation: A Unitary Analogue to the LR Transformation, The Computer Journal, 1961.

[7] Kublanovskaya, V., On Some Algorithms for the Solution of the Complete Eigenvalue Problem, USSR Computational Mathematics and Mathematical Physics, 1961.

[8] Turing, A. M., Rounding-Off Errors in Matrix Processes, The Quarterly Journal of Mechanics and Applied Mathematics, 1948.

[9] LAPACK Users’ Guide, 3rd ed., SIAM, 1999.

[10] Golub, G. H., and Van Loan, C. F., Matrix Computations, 4th ed., Johns Hopkins University Press, 2013.

🧠 生平与时代背景：从 NPL 到数值分析的“黄金年代”

与 Alan Turing 的交汇（NPL 早期）

二战结束后，Wilkinson 在英国国家物理实验室（National Physical Laboratory, NPL）投身电子计算的前沿研究，曾与**艾伦·图灵（Alan Turing）**在 NPL 同事一段时间，共同参与早期自动计算引擎（ACE）相关的规划与工作。[2] 虽然后来图灵离开 NPL，但 NPL 的计算与数值分析传统得以延续与壮大，Wilkinson 也逐步将重心从“造机器”转向“让机器算得可靠”。

从手算时代迈向电子计算

20 世纪中叶的数值计算经历了从手算、机助表到电子计算机的剧变。早期程序和数据格式限制极大，内存、字长与舍入规则各异，算法的“可实施性（implementability）”与“鲁棒性”成为首要考量。Wilkinson 的贡献，正是在这一时期将“理论可行”转化为“工程可用”。

学术共同体与国际影响

与 Wilkinson 同期并相互影响的还有：

Gene Golub：推动矩阵计算与数值线性代数成为独立学科，开创性工作涵盖 SVD、迭代法与软件实践。
Alston S. Householder：提出 Householder 反射，奠定正交化/相似变换的稳定性基础。
James G. F. Francis / Vera Kublanovskaya：确立 QR 迭代的现代框架。这些工作与 Wilkinson 的稳定性思想互相促进，共同构成了数值线性代数的“黄金年代”。[3][4][6][7][10]

🧩 方法论四原则：问题—数据—算法—实现

Wilkinson 的“稳定性观”可提炼为四个层面的系统工程思维：

问题（Problem）：判定是否病态（ill-conditioned）。例如解线性方程 $A x=b$ 的相对误差下界与条件数 $\kappa(A)$ 有关。
数据（Data）：尺度化（scaling）与预处理（preconditioning）以改善数值幅度与谱性质。
算法（Algorithm）：优先选择后向稳定的算法族（如基于正交变换的 QR/SVD、带主元的 LU）。
实现（Implementation）：利用浮点模型与库例程（BLAS/LAPACK），遵循数据局部性、向量化与稳定性守则。

该四原则贯穿其著述与软件建议，是现代科学计算“从建模到可验证结果”的骨架。[3][9][10]

🧮 代表性算法与定理：深入“稳定性”的工程细节

1) 相似变换与约化：Hessenberg/三对角化

对于一般矩阵 $A$，在进行特征值计算前常先约化为上 Hessenberg 形（上次对角线以下全为零）；若 $A$ 对称，则约化为对称三对角形。常用工具是 Householder 反射与 Givens 旋转，它们的共同优点是正交性带来良好的后向稳定性。[3][10]

2) QR 迭代与隐式位移（implicit shift）

现代 QR 迭代通常在上 Hessenberg或三对角结构上进行，通过“隐式位移”与“隐式 Q 定理（implicit Q theorem）”避免显式形成位移步骤，从而保持结构与稳定性。对称情形下的Wilkinson 移位取自尾部 $2\times2$ 子块较近的特征值，能快速分离特征值、促进“隐式重启—分解（deflation）”。[4][10]

3) 增长因子上界与 Wilkinson 矩阵

带部分主元的高斯消元，其增长因子 $\rho$ 在理论上的上界是 $\rho\le 2^{n-1}$（由 Wilkinson 证明），尽管理论界可能极端，但在实际数据中往往远低于此界。数值分析中著名的“Wilkinson 矩阵”族作为测试矩阵，常用于展示近重根/近重特征值与增长因子的“最坏情形”行为。[3][10]

在求解 $A x=b$ 时，先用 LU 解得近似 $\hat x$，再在更高精度或以稳定残差计算获得 $r=b-A\hat x$，解 $A\Delta x=r$ 并回代 $\hat x\leftarrow \hat x+\Delta x$。在后向稳定的前提下，迭代改进可以显著降低前向误差，尤其当残差计算比求解步骤更准确时（如混合精度框架）。[3]

5) 条件数估计与误差报告

实际工程中，常用 1-范数条件数估计器（如 Hager/Higham 估计，LAPACK 例程 xLACON），配合残差与相对误差上界给出可信的“结果证据”。这种“结果伴随证书”的理念正是 Wilkinson 倡导的可验证计算范式。[3][9]

6) 浮点误差的标准模型（unit roundoff）

在 IEEE 754 浮点体系下，可用如下模型近似描述一次算术运算的舍入误差：

$$\operatorname{fl}(x\ \mathrm{op}\ y) = (x\ \mathrm{op}\ y)(1+\delta),\quad |\delta| \le u,$$

其中 $u$ 称为“单位舍入误差（unit roundoff）”，对二进制 $t$ 位尾数通常有 $u=\tfrac12,2^{-t}$。这一模型支撑了“后向误差分析”的推导：将多次运算的误差“吸收”为输入数据的微小扰动，从而得到后向稳定界。[3]

小提示：在“就近舍入（round-to-nearest, ties-to-even）”策略下，$u$ 的界限最为常用；不同硬件与指令路径（如 FMA）可能改善或改变误差常数，但不改变总体分析框架。[3]

🧰 数值软件与社区遗产

EISPACK / LINPACK / LAPACK 与 NAG

Wilkinson 的书籍与分析直接影响了 20 世纪 70–90 年代三代里程碑式库：

EISPACK：早期的特征值问题软件包，基于 ALGOL/Fortran 的实现，与《Handbook for Automatic Computation, Vol. II: Linear Algebra》关系密切（该卷由 Wilkinson & Reinsch 主编，1971）。
LINPACK：专注稠密线性方程与线性最小二乘问题，为后续 BLAS 分层与性能优化奠基。
LAPACK：面向现代内存层次结构的高性能库，系统吸收稳定性准则并采用分块/BLAS-3 优化。
NAG Library：商业/学术并重的综合数值库，早期受 Wilkinson 方法论深刻影响。

注：这些库中关于 QR、SVD、对称三对角特征值分解等核心流程，均以正交变换为骨架，贯彻“后向稳定优先”的设计理念。[9][10]

Wilkinson Prize for Numerical Software（1991–）

为纪念 Wilkinson 在数值软件中的影响，学术界于 1991 年设立“Wilkinson Prize for Numerical Software”，表彰在数值软件设计与实现方面的突出贡献（常由 NAG、Argonne、NPL 等机构参与）。该奖项强调“可用、可复现、可验证”的理念，即 Wilkinson 的工程精神在软件层面的延续。

对现代 AI/ML 的连通性

大规模线性代数在推荐系统、PCA/LSA、最小二乘回归中无处不在；稳定的 QR/SVD 是保障模型数值健壮性的底座。
优化器的数值稳定（学习率尺度、损失缩放、归一化）与“尺度化/预处理”的思想一致；混合精度训练常结合“高精残差评估+低精主算”的迭代改进思路。
稀疏/分布式场景下，库（如 cuSOLVER、MKL、PETSc、Trilinos 等）延续了“后向稳定优先”的传统与证据化报告（残差、迭代准则）。[3][9][10]

🧪 工程实践：可落地的“稳定性流程”

下面给出一套可操作的“稳定性检查清单”，与前文“方法论四原则”互相映照：

数据尺度化与预处理：
- 对列/行进行归一化，使得量纲一致、避免量级悬殊。
- 必要时使用对角/稀疏预处理提升谱性质。
算法选择：
- Ax=b：默认 LU（partial pivoting）；病态/秩亏优先 QR/SVD。
- 最小二乘：优先 QR/SVD，避免正规方程 $(A^\top A)x=A^\top b$。
- 特征值：对称优先三对角化+位移 QR；非对称优先 Hessenberg+位移 QR/Schur。
误差与证据：
- 计算残差 $|b-A\hat x|/|b|$；估计 $\kappa(A)$ 或谱条件数。
- 如有必要，进行 1–2 次迭代改进，观察残差与解的收敛情况。
软件与实现：
- 使用成熟库（BLAS/LAPACK/Eigen/MKL/cuSOLVER），避免手写“天真算法”。
- 遵循分块与内存局部性，减少舍入误差放大的机会。

进阶：行/列平衡（equilibration）与自动尺度化常能立竿见影地降低增长因子与迭代步数；对高度病态问题，结合正则化（Tikhonov）或截断 SVD 更稳健。[3][10]

🧷 术语对照表（精选）

后向误差（backward error）/ 前向误差（forward error）
后向稳定（backward stability）/ 数值稳定性（numerical stability）
条件数（condition number, $\kappa$）/ 病态（ill-conditioning）
主元选取（pivoting）/ 增长因子（growth factor）
正交变换（orthogonal/unitary transformations）
Hessenberg 约化 / 三对角化（tridiagonalization）
Wilkinson 多项式 / Wilkinson 移位 / Wilkinson 矩阵
迭代改进（iterative refinement）/ 预处理（preconditioning）

🧸 通俗版小抄：一句话理解这些概念

后向误差：把“算出来的不准”归结为“输入数据被轻微改动了”，等价地解释结果为何可信。
前向误差：直接看“结果偏离真值多少”；问题一旦病态，前向误差会被条件数放大。
后向稳定：算法的误差好像来自“输入的极小改动”，这类算法通常更可靠。
条件数（κ）：问题对输入扰动有多敏感的“放大倍数”；κ 大＝病态，任何算法都难办。
主元选取（pivoting）：消元时挑“更合适”的元素做支点，避免中间数爆炸（控制增长因子）。
增长因子：消元过程中中间量相对变大的程度；越小越稳，越大越容易失控。
正交变换：保持长度与角度的“稳健”变换（如 Householder/Givens），误差不容易被放大。
Hessenberg/三对角化：把矩阵化成“几乎三角”的结构，为 QR 等稳定算法铺路。
Wilkinson 多项式：一个“系数微扰→根大漂移”的警示样例，说明“用系数直接求根”很危险。
Wilkinson 移位：QR 迭代里选一个聪明的位移，让特征值更快、更稳地分离出来。
Wilkinson 矩阵：用来“为难算法”的测试矩阵，展示最坏情形下的增长因子等问题。
迭代改进：先求个近似解，再用残差做 1–2 次“纠偏”，常能明显提高精度。
预处理：在求解前先把问题“梳理整洁”（如尺度化），让算法更快更稳。
正规方程的风险：把最小二乘改写成 (AᵀA)x=Aᵀb 会把条件数“平方放大”，不划算。
Hilbert 矩阵：著名的病态样例，规模一大，几乎“怎么算都不稳”。
QR 迭代：特征值的“主力算法”，配合位移/结构约化，稳而有效。
SVD vs. QR：SVD 最稳健，适合秩亏/病态；QR 更高效，适合结构良好的大问题。
单位舍入误差（u）：浮点一次运算的相对误差上界，精度越低 u 越大，累积误差越显著。
残差（r）：把解代回去得到的不平衡量（b−Ax̂），是“结果可信度”的第一指标。

🙋 扩展 FAQ（工程与理论）

Q：后向稳定是否保证小的前向误差？ A：不一定。若问题本身病态（$\kappa$ 很大），后向稳定也可能对应较大的前向误差。因此，先判定问题是否病态，再评价算法输出。[3]

Q：SVD 为什么被认为稳定？ A：现代 SVD 算法基于正交变换（双对角化 + QR/分裂），后向稳定性良好，适合处理秩亏与病态问题；代价更高，但在关键环节“值回票价”。[3][10]

Q：迭代改进何时有用？ A：当残差能在高于求解步骤的精度下评估，或当 LU 解本身后向稳定而问题不过分病态时，迭代改进能提升前向精度；混合精度（高精残差、低精求解）是现代加速方案之一。[3]

Q：Wilkinson 多项式是否否定“用系数求根”？ A：它揭示了“用系数直接求根”的病态，强调以稳定的等价表述（如相似变换、正交化）进行求解；在工程中，通常转为对伴随矩阵的特征值问题，但也需谨慎处理数值放大。[5][10]

Q：增长因子上界有什么现实意义？ A：它是“最坏情形”的理论保障。实践中增长因子通常较小，但上界告诉我们为何必须采用主元选取与尺度化、为何某些对抗数据会导致失败。[3]

Q：浮点格式差异（float32、float64、bfloat16、fp16）会如何影响稳定性？ A：精度越低，单位舍入误差 $u$ 越大，累积误差越显著。混合精度常用“高精评估残差+低精主算”的模式，配合迭代改进维持前向精度。[3]

Q：什么时候必须用 SVD 而不是 QR？ A：当矩阵秩不确定、可能秩亏或高度病态时，SVD 提供最稳健的伪逆与最小二乘解；若数据规模很大且结构良好，QR 可能在成本与精度间更折衷。[3][10]

🎲 趣味科普扩展包（易懂、有趣、可动手）

1) 小故事：消失的有效数字

二战后的 NPL 里，年轻工程师在纸带上敲下线性方程组的程序。机器“吭哧”一阵后吐出一个漂亮的答案，他兴奋地贴在黑板上。Wilkinson 走过来，只问了一句：“把它代回去了吗？” 工程师沉默。于是他把结果代回去算残差 $r=b-A\hat x$，发现“漂亮的答案”其实让 $|r|$ 大得离谱——有效数字仿佛被黑洞吸走。Wilkinson 并没有责备，只是用粉笔写下：先看残差，再谈结论。这成了后来数值线性代数课堂上最常被引用的一句“门口咒语”。

2) 生活类比三连

条件数像“扩音器”：音源（输入）有一点抖动，扩音器（问题本身）会把抖动放大很多倍；好扩音器（低 $\kappa$）声音稳，坏扩音器（高 $\kappa$）全是啸叫。
主元选取像“搬家先搬大件”：先把最重最稳的柜子（大主元）放在底层，楼房（消元过程）才不至于“摇晃变形”。
正交化像“等距离的广场舞”：大家跳舞（向量变换）但彼此间距（内积）基本不变，于是不会越跳越“挤”，数值也不“打架”。

3) 迷你实验 A：Hilbert 矩阵的“脆弱玻璃”

下面的代码展示了同一个最小二乘问题，用“正规方程”和“QR 分解”两种方法的差异。你会看到正规方程的解对误差更敏感，残差与条件数也更难看。

import numpy as np

def hilbert(n):
	i = np.arange(1, n+1)
	return 1.0 / (i[:, None] + i[None, :] - 1)

n = 10
H = hilbert(n)
true_x = np.ones(n)
b = H @ true_x

# 正规方程求解（不推荐）
ATA = H.T @ H
ATb = H.T @ b
x_ne = np.linalg.solve(ATA, ATb)

# QR 最小二乘（推荐）
Q, R = np.linalg.qr(H)
x_qr = np.linalg.solve(R, Q.T @ b)

def report(name, x):
	r = b - H @ x
	rel_res = np.linalg.norm(r) / np.linalg.norm(b)
	err = np.linalg.norm(x - true_x) / np.linalg.norm(true_x)
	print(f"{name:12s}  相对残差={rel_res:.2e}  前向误差={err:.2e}")

report("normal eq.", x_ne)
report("QR", x_qr)
print("kappa(H)~", np.linalg.cond(H))

小结：正规方程把条件数“平方放大”，于是误差更容易“爆表”；QR 依靠正交性更稳健。

4) 迷你实验 B：Wilkinson 多项式的“蝴蝶效应”

把 $p(x)=\prod_{k=1}^{20}(x-k)$ 展开，系数非常大且交替，哪怕高阶系数只改动 $10^{-7}$，某些根也会“跑远”。

import numpy as np

# 构造 Wilkinson 多项式的系数（按根构造再转系数）
roots = np.arange(1, 21)
poly = np.poly(roots)          # 系数从最高次到常数项

# 轻微扰动一个高阶系数（比如三次项）
perturbed = poly.copy()
perturbed[-4] *= (1 + 1e-7)

r0 = np.roots(poly)
r1 = np.roots(perturbed)

print("最大根位移:", np.max(np.abs(np.sort(r0) - np.sort(r1))))

小结：从“系数”直接求根是病态表述；现代做法转为稳定的矩阵变换与 QR 迭代。

5) 迷你实验 C：迭代改进的“小补丁大效果”

先用较低精度求一个近似解，再用高精度计算残差并回补，前向误差常能明显下降。

import numpy as np

np.random.seed(0)
n = 50
A = np.random.randn(n, n)
x_true = np.random.randn(n)
b = A @ x_true

# 低精度主算（模拟）：把矩阵与 b 投到 float32
Af = A.astype(np.float32)
bf = b.astype(np.float32)
x0 = np.linalg.solve(Af, bf).astype(np.float64)

def relerr(x):
	return np.linalg.norm(x - x_true) / np.linalg.norm(x_true)

print("初始前向误差:", relerr(x0))

# 高精度残差+一次改进
r = b - A @ x0            # float64 残差
dx = np.linalg.solve(A, r)
x1 = x0 + dx
print("一次改进后:", relerr(x1))

小结：这与混合精度训练里的“高精评估—低精主算”如出一辙。

6) 自测题（附简要答案）

为什么“后向稳定”不一定意味着“小前向误差”？（答：问题可能病态，$\kappa$ 放大了误差。）
正规方程相较 QR 的主要数值风险是什么？（答：$\kappa$ 平方化，误差被二次放大。）
为什么主元选取能降低增长因子？（答：避免用很小的数去消大数，减少中间放大。）
Householder 与 MGS 相比的优势？（答：更强的正交性与后向稳定性。）
为何 SVD 在秩亏问题上“值回票价”？（答：能可靠地分离奇异值，提供稳健伪逆。）
迭代改进失败的常见原因？（答：问题过于病态或残差计算不够准。）
Hilbert 矩阵常被拿来说明什么？（答：经典病态样例，规模一大就极不稳定。）
Wilkinson 移位直觉是什么？（答：用末端 2×2 的就近特征值作为位移，加速分离与收敛。）

7) 术语冷知识（学术彩蛋）

“Householder 反射”来自 Tennessee 大学数学家 Alston S. Householder；“反射”一词强调该变换是把向量“对某个超平面镜像”。
“Francis QR”常指 1961 年 Francis 的两篇论文，确立了现代 QR 迭代框架；与同年的 Kublanovskaya 工作并称“双子星”。
“增长因子上界 $2^{n-1}$”虽极端，但告诉我们为何对抗矩阵或错误尺度能把 LU 推到失稳边缘。
“Wilkinson Prize”强调“数值软件”而不只是论文，奖评非常看重可复现、接口设计与文档。
“后向误差思想”可追溯到 Turing 对矩阵过程的误差模型，这条学术脉络最终在 Wilkinson 处系统化。

🧾 轶事与评价

Wilkinson 的写作风格以“严谨、明白、工程实用”见长。他善用反例、边界案例与“坏矩阵”来教育研究生与工程师。
他常强调“数值分析不是让结果好看，而是要让结果可靠且可验证”。这与今天的可重复研究（reproducible research）理念高度契合。
学界对他在特征值问题的贡献评价极高，《The Algebraic Eigenvalue Problem》（1965）被视为一座“百科全书式”的里程碑。
他于 1969 年当选英国皇家学会会士（FRS），这是英国科学界的最高学术荣誉之一。[2]

🔚 总结：从“正确地计算”到“计算地正确”

Wilkinson 的遗产让科学计算从“能算出一个数”走向“能为这个数提供证据”。他将问题条件、算法稳定性与软件工程连接起来，建立了跨越模型—算法—实现—验证的闭环。这套闭环，支撑了从航空航天到气候模拟、从材料设计到机器学习数值内核的可靠性要求。今天，当我们在 GPU 上调用一行线性代数库函数时，其中“稳定性与证据”的精神，依然是 Wilkinson 留给我们的底层“守护”。

附：进一步阅读与资源建议

Wilkinson & Reinsch（Eds.）, Handbook for Automatic Computation, Vol. II: Linear Algebra, Springer, 1971.
Stewart, G. W., Matrix Algorithms（Vol. I–II）, SIAM.
Trefethen, L. N., and Bau, D., Numerical Linear Algebra, SIAM.
Demmel, J. W., Applied Numerical Linear Algebra, SIAM.
NAG Library / LAPACK 官方用户指南与教程（示例和最佳实践）。