如何基于近似解复用求解多次微变的大规模Ax=b线性方程组？

完全可以复用前一次的计算结果来加速求解，针对你的场景（n约数千、数十亿次求解、A/b仅微小变化），以下是两种核心思路，同时能满足精度控制要求：

一、复用前一次的x近似解（推荐优先） #

• 残差修正迭代：把上一次的解x_prev作为新问题的初始值，先计算残差r = b_new - A_new x_prev，然后求解A_new Δx = r。由于A和b变化极小，r的范数会非常小，只需要用迭代法（比如CG、GMRES）跑几次迭代就能把Δx算到满足精度要求的程度，最后更新x_new = x_prev + Δx。
• 精度控制：迭代过程中实时监控误差——要么看残差范数||r||是否小于maxerr，要么直接检查x_new与x_prev的元素差是否都小于maxerr，达标就立刻停止迭代，不用追求精确解。这种方法的收敛速度远快于从头初始化的迭代，计算量能降到原来的几十分之一。

二、复用A的分解（而非直接复用逆矩阵） #

• 分解更新：如果A的变化是极小的秩1或低秩扰动，可以对A的原有分解（比如LU、QR）做增量更新，不用重新做O(n³)的完整分解。比如LU分解的秩1更新只需要O(n²)的计算量，能大幅节省时间。
• 避免直接复用逆矩阵：逆矩阵对A的微小变化非常敏感（受矩阵条件数放大影响），复用旧逆矩阵会导致解的误差急剧放大，稳定性极差。相比之下，分解（LU/QR）的稳定性更好，求解时用分解后的矩阵做回代速度也更快。
• 定期校准：多次增量更新后，分解的误差会累积，所以每隔一定次数（比如每1000次求解）要重新做一次完整分解，把误差拉回可控范围。

关键注意事项 #

• 针对A的特性选方法：如果A是对称正定矩阵，用CG迭代+初始值复用的效率最高；如果是一般非对称矩阵，优先选GMRES。
• 不要盲目复用：每次求解必须先做快速误差检查，若上一次的解误差已经超过阈值，就多迭代几次或者直接触发一次完整求解。

内容的提问来源于stack exchange，提问作者Alex I