如何判定计算迭代过程中向量是否不再发生变化？

这是数值迭代计算里非常常见的问题——毕竟现实中几乎不会出现两次迭代结果完全一致的情况，我们要做的是判断向量的变化量小到了可以忽略的程度，也就是达到了收敛状态。结合你给出的向量例子，我整理了几种实用的判定方法：

1. 逐元素误差判定 #

这是最直观的方式，针对向量里的每个元素单独检查变化：

• 绝对误差法：对新向量$x_{new}$和旧向量$x_{old}$的每个对应元素，计算$|x_{new}[i] - x_{old}[i]|$。如果所有元素的绝对误差都小于你设定的阈值$\epsilon$（比如1e-4、1e-6，根据精度需求调整），就认为向量不再变化。
  比如你给出的向量j和k：前两个元素完全一致，误差为0；第三个元素误差是$|0.1006 - 0.1010| = 0.0004$。如果你的阈值设为0.0005，这时候就满足收敛条件了。
• 相对误差法：如果向量元素的量级差异较大（比如有的是1000，有的是0.001），绝对误差就不太合理，这时候用相对误差：$|\frac{x_{new}[i] - x_{old}[i]}{x_{old}[i]}|$。同样要求所有元素的相对误差都小于阈值。注意如果$x_{old}[i]$是0，要特殊处理（比如改用绝对误差，或者给分母加一个极小值避免除以0）。

2. 向量范数整体判定 #

把向量的变化当成一个整体来衡量，常用两种范数：

• L2范数（欧几里得范数）：计算两次迭代向量差的L2范数，公式是：
  $$|x_{new} - x_{old}|2 = \sqrt{\sum{i=1}^n (x_{new}[i] - x_{old}[i])^2}$$
  只要这个范数的值小于阈值$\epsilon$，就判定收敛。拿你的j和k举例，差向量是$[0, 0, -0.0004]$，L2范数就是0.0004，若阈值为0.0005就符合要求。
• L∞范数（无穷范数）：取差向量中元素的最大绝对值，也就是$|x_{new} - x_{old}|\infty = \max(|x{new}[i] - x_{old}[i]|)$。这个方法其实就是看所有元素里的最大误差，和逐元素绝对误差的最大值判定逻辑一致，你的例子里这个值就是0.0004。

3. 迭代次数兜底 #

除了误差阈值，一定要加一个最大迭代次数的限制——防止出现迭代震荡（比如向量在两个值之间来回跳，永远达不到误差阈值）或者其他异常情况导致程序无限运行。比如你设定最多迭代100次，哪怕还没满足误差条件，到次数也停止计算，之后可以根据最后几次的变化情况判断是否收敛，或者直接返回当前结果。

实际操作的小技巧 #

• 阈值$\epsilon$的选择完全看你的需求：工程计算可能1e-3就足够，科学计算可能需要1e-8甚至更小。
• 避免“假收敛”：可以要求连续2-3次迭代的变化都小于阈值，再判定收敛，防止某次偶然的小变化之后又出现大波动。
• 零元素处理：如果向量里有0元素，用相对误差时可以用$|\frac{x_{new}[i] - x_{old}[i]}{\max(|x_{old}[i]|, 1e-10)}|$，给分母加一个极小值，避免除以0的错误。

内容的提问来源于stack exchange，提问作者pstatix