参数设置
A 的非对角与 b 的其他分量固定（A[0][1]=1, A[0][2]=0, A[1][0]=1, A[1][2]=1, A[2][0]=0, A[2][1]=1, b[1]=2, b[2]=2）。默认值：x=(1,1,1)、残差≈0、Q正交误差≈0。
A、b、Q、R、解 x 的可视化
上行＝A矩阵和b向量／中行＝Q（直交，列＝q₁ q₂ q₃）和R（上三角，蓝＝上三角、灰＝下三角）／下行＝解向量 x
理论与主要公式
QR分解将列线性无关的矩阵 A 分解为直交矩阵 Q 和上三角矩阵 R 的乘积。这是求解最小二乘问题 ‖Ax-b‖₂ 最小化的基础工具。
矩阵分解为直交矩阵Q与上三角矩阵R的乘积：
$$A = Q\,R, \qquad Q^{\top}Q = I$$
Modified Gram-Schmidt 的递推式（第 k 列更新）：
$$r_{kk} = \|a_k^{(k-1)}\|_2,\quad q_k = \frac{a_k^{(k-1)}}{r_{kk}},\quad r_{kj} = q_k^{\top} a_j^{(k-1)},\quad a_j^{(k)} = a_j^{(k-1)} - r_{kj} q_k$$
最小二乘解通过回代求解 Rx = Qᵀb 得到：
$$\min_x \|Ax - b\|_2^2 \iff R\,x = Q^{\top} b$$
若A为正方且正则，残差为 0，矩阵行列式为 |det(A)| = |det(R)| = ∏ r_{kk}。
QR分解模拟器简介
🙋
QR分解中，为什么用"Q"和"R"这两个字母？有特殊意义吗？
🎓
好问题。Q代表"直交（Orthogonal）"的德语源词惯例，R代表"右上三角（Right triangular）"即上三角矩阵。这是Householder和Gram-Schmidt在各自的背景下创建的历史产物。看上面的模拟器，默认值（A对角元=1,0,1）中，Q明显是直交的，R是上三角的。"Q正交性误差"卡片显示的约为0（10⁻¹⁵数量级）就是直交的证明。
🙋
默认值下残差也是0。所以说是"最小二乘法"，其实就是解普通线性方程组？
🎓
敏锐。当A正则时，最小二乘解=精确解，残差为零。最小二乘法真正展现威力是在"方程数多于未知数（超定系统）"或"存在测量误差、完全解不存在"的情况。本工具用3×3正方矩阵，但Rx=Qᵀb的求解逻辑与长方矩阵的最小二乘完全相同。试试移动"A[1][1]"滑块。det会变，x也会同步改变—这就是线性方程组的解。
🙋
那和正规方程 AᵀAx=Aᵀb 求解有什么区别？教科书上正规方程先出现的。
🎓
数学上解相同，但数值计算有本质区别。形成 AᵀA 会导致条件数跳跃到 κ(A)² 。比如 κ(A)=10⁶，那 κ(AᵀA)=10¹²，倍精度的有效15位中损失12位。而通过QR途径条件数仅为 κ(A)，舍入误差减半。所以现代数值库（R的lm函数、Python的numpy.linalg.lstsq、MATLAB的反斜杠）内部都用QR或SVD。教科书先讲正规方程是因为推导直观，实现时应该避免。
🙋
"Modified Gram-Schmidt"为什么要用Modified的？"古典"的不行吗？
🎓
古典Gram-Schmidt（CGS）数值上很脆弱。每列从过去的全部直交分量中"一次性"减去，舍入误差积累，计算后Q的正交性丧失（QᵀQ-I可达10⁻³）。Modified（MGS）是"逐步"一个基向量一个基向量减，用最新结果接力，误差被抑制在10⁻¹⁵左右。本工具的"Q正交性误差"卡片正好定量显示这个差异。实务还会用更稳健的Householder变换，但从概念理解看MGS最直观。
常见问题
古典Gram-Schmidt（CGS）是从每个列向量中一次性减去所有过去的直交基分量，而Modified Gram-Schmidt（MGS）则逐个基向量依次减去。从数学上讲它们等价，但在有限精度运算中，CGS会急剧失去正交性，而MGS对舍入误差更加稳健，‖QᵀQ-I‖_F 基本保持在机器精度水平。在实务中，通常首选MGS，或者更稳健的Householder变换。
正规方程 AᵀAx=Aᵀb 的条件数为 κ(A)²，数值上不稳定。而从 A=QR 可得 ‖Ax-b‖² = ‖Rx-Qᵀb‖²，用回代求解 Rx=Qᵀb 时条件数仅为 κ(A)，数值稳定性大幅提高。若A的列线性无关，解唯一且计算成本相当。
Householder变换通过依次应用镜射矩阵将A化为上三角，正交性比MGS更好，且不易破坏稀疏结构。LAPACK的geqrf采用Householder方法。而Gram-Schmidt法逐列直交化，易于流式处理和迭代方法（如GMRES）中的部分正交化。两者应根据使用场景选择。
是的，QR算法是标准的特征值计算方法。对A_k进行QR分解得A_k=Q_kR_k，然后令A_{k+1}=R_kQ_k，重复迭代，A_k会收敛到上三角矩阵，其对角元素为特征值。结合移位策略（如Wilkinson移位），收敛速度大幅提升，几乎所有特征值求解器（如LAPACK的dgeev）都以此为核心。本工具可视化的是单步QR分解本身。
实际应用
线性回归与统计模型：多项式拟合、多重回归、机器学习中的最小二乘问题本质上都是求Ax=b的最小二乘解。R的lm函数、Python的numpy.linalg.lstsq、MATLAB的反斜杠运算符内部都执行QR（或SVD）。在CAE参数拟合、流体阻力系数最小二乘拟合等中也直接应用。
有限元法的迭代求解器：大规模稀疏矩阵线性方程组的GMRES（广义最小残差）法在每次迭代中使用MGS进行Krylov子空间基向量的正交化。这是CFD和结构分析中Krylov求解器的核心，向量维数增大时古典Gram-Schmidt会发散，必须用MGS（或DGKS再正交化）。
特征值计算与PCA：主成分分析（PCA）和特征模态分析（模态分析）都用QR算法提取特征值。本工具演示的单次QR分解反复迭代至收敛到上三角矩阵，就能得到结构固有振动频率和机器学习特征提取所需的特征值。
传感器融合与卡尔曼滤波：平方根卡尔曼滤波通过直接更新协方差矩阵的Cholesky因子（或QR分解）来规避数值不稳定性。在GPS+IMU融合、机器人控制、航空航天姿态估计等需要同时满足实时性和数值稳定性的应用中，QR分解是关键技术。
常见误区与注意事项
最常见的误解是"QR分解只能用于正方矩阵"。实际上m×n（m≥n）的长方矩阵也直接适用，超定系统Ax=b（方程数m多于未知数n）的最小二乘解就是标准应用。本工具为了可视化便利采用3×3，但计算逻辑就是Modified Gram-Schmidt，扩展到长方矩阵只需改循环范围。实务中常见m=10000、n=10这样的纵长矩阵。
次常见误解是"Q是直交的，所以QᵀQ=I必然成立，数值计算中也当然成立"。理论上是，有限精度运算中必混入误差。本工具的"Q正交性误差"卡片约为10⁻¹⁵（倍精度机器精度）正说明Modified Gram-Schmidt极其优秀。古典Gram-Schmidt同样计算在条件数差的矩阵上，误差会跳到10⁻³以上。"正交性计算后必须验证"是铁律。
最后注意，本模拟器的矩阵是特殊形式，仅非对角元素固定。只能通过滑块调动A的3个对角元和b的第1分量，其他非对角元素设为数值稳定性好的值。真实应用中条件数超过10⁸的病态矩阵比比皆是，此时MGS的正交性误差也会增大。本工具用于概念理解和典型良条件问题的观察，极端病态问题应选Householder变换或SVD。
具体计算例
设想结构分析中的超定系统。A = [[4, 0, 1], [0, 3, 0], [2, 1, 2]]、b = [8, 6, 7]时，Gram-Schmidt法先正规化第1列，再计算第2列的直交分量。结果Q矩阵的列向量相互正交（内积≈0），R对角乘积 det(R) = 18。从Rx = Qᵀb回代得 x ≈ [1.833, 2.000, 0.667]，残差‖Ax-b‖₂ ≈ 0（机器精度）；A可逆时最小二乘解即为精确解。残差显著残留发生在方程数多于未知数的超定系统。