最小范数方法和迭代求解算法，包括1范数，2范数，核范数

最小范数方法和迭代求解算法是求解线性方程组的两种常见方法。其中，最小范数方法通过求解矩阵的伪逆来得到最小二乘解，而迭代求解算法则是通过不断迭代来逼近精确解。

1. 1范数最小化方法

1范数最小化方法是指在线性方程组 Ax=b 的解空间中，找到一个 x，使得 ||x||1 最小。其中，||x||1 表示 x 各元素绝对值之和。该方法可以通过线性规划求解得到。

2. 2范数最小化方法

2范数最小化方法是指在线性方程组 Ax=b 的解空间中，找到一个 x，使得 ||x||2 最小。其中，||x||2 表示 x 的欧几里德范数，即各元素平方和的平方根。该方法可以通过求解矩阵的伪逆得到最小二乘解。

3. 核范数最小化方法

核范数最小化方法是指在矩阵分解问题中，通过最小化矩阵的核范数来得到低秩近似解。其中，矩阵的核范数定义为矩阵的所有奇异值之和。该方法可以通过凸优化求解得到。

4. 迭代求解算法

迭代求解算法是指通过不断迭代来逼近精确解的方法。常见的迭代求解算法有雅可比迭代法、高斯-赛德尔迭代法、共轭梯度法等。其中，共轭梯度法是求解对称正定矩阵线性方程组最常用的迭代算法。该算法每次迭代需要计算矩阵向量积，因此适用于大规模稀疏矩阵的求解。