變化越少，解決越易。
--題記
多變量問題（比如方程組求解，或者優化目標函數，這裏不妨假設有個變量）是經常涉及到的一類問題，相較於單變量的優化問題，顯然這類問題更難以求解。交替迭代方法的基本思想是將多變量問題轉化爲單變量問題的求解，即，在一步計算時，保持其他的變量固定不變，只求解一個變量的問題，下一步時，再固定個變量，並尋找另一個變量求解，如此進行下去，直到得到問題的解。
這裏面有一個關鍵的理論問題需要說明。交替迭代的數值結果，一定收斂到問題的精確解嗎？有沒有什麼判別條件能夠保證這種收斂？更進一步地，有沒有可能迭代求解次的結果就是問題的精確解呢？
限於知識的廣度，這裏只舉兩個算法進行說明。第一個算法是求解線性方程組的Jacobi迭代法和Guass-Siedel迭代法，只要線性方程組的係數矩陣滿足一定的條件，可以在理論上證明，這兩種迭代法是收斂的；第二個算法是機器統計學習中的前向分步算法，它能夠將多個變量的優化問題簡化爲逐次求解各個變量的優化問題，儘管要求解的目標函數有限制，但是這樣的算法還是讓人眼前一亮的。另外，值得一提的是，交替迭代法是優化問題中常見的有效算法之一，比如ADMM算法。
至於說交替迭代失敗的例子，典型的如分叉現象。比如2分叉現象，它將形成一個兩個數交替出現的數列，而不是收斂到某一個點；更複雜的情形，就是大名鼎鼎的混沌問題了，它也是目前最熱門的數學難題之一。
參考資料：
[1] Gauss-Siedel Method
https://en.wikipedia.org/wiki/Gauss%E2%80%93Seidel_method
[2] 統計學習方法，李航著，清華大學出版社，2012:143-146
[3] matlab作出分叉與混沌分支圖
https://blog.csdn.net/cantjie/article/details/72836172
[4] Alternating direction method ofmultipliers(ADMM)
http://stanford.edu/~boyd/admm.html
數學大家的Homepage，強烈推薦