判断程序是否收敛通常涉及以下几种方法：
观察变化情况
通过观察每次迭代后计算结果的变化情况，可以初步判断算法是否收敛。如果每次迭代后计算结果的变化越来越小，那么算法很可能是收敛的；如果变化越来越大，那么算法可能是发散的。
计算误差
通过计算每次迭代后计算结果与真实值之间的误差，可以更加准确地判断算法是否收敛。如果误差随着迭代次数的增加而逐渐减小，并最终趋近于0，那么算法是收敛的；如果误差逐渐增大或者波动较大，那么算法可能是发散的。
收敛准则
设定一些收敛准则或收敛判别条件，例如当前计算值与前一次计算值之间的差异小于某个预定的阈值时，可认为计算已经收敛。另外一种常见的方法是通过设定最大迭代次数，如果超过了最大迭代次数仍没有达到收敛条件，则认为计算不能收敛。
残差分析
在数值计算和优化问题中，残差是一个重要的指标。通过监视残差的变化，可以判断计算过程是否收敛。例如，在求解方程的数值解时，可以使用迭代算法，每次迭代都使解逼近真实的解，直到解的变化非常小以至于可以认为解已经收敛。
监视相关积分量
对于某些问题，除了残差之外，还需要监视其他相关的积分量，如阻力、热传导系数等，以全面评估计算的收敛性。
收敛速度
判断算法的收敛速度也是非常重要的。可以通过计算每次迭代后误差的比值来判断收敛速度。如果比值随着迭代次数的增加而逐渐减小，并最终趋近于0，那么算法的收敛速度比较快；如果比值减小缓慢，那么算法的收敛速度比较慢。
收敛图
在某些计算软件中，如ANSYS，可以通过绘制收敛图来判断非线性分析的收敛性。收敛图通常显示累积迭代次数与绝对收敛范数的关系。如果紫色线（实际计算值）低于蓝色线（收敛判据），则表示计算收敛。
守恒性检查
对于某些问题，还需要检查计算过程是否满足质量守恒或质量与能量守恒的条件。即使残差和其他指标显示收敛，如果不满足守恒性条件，也可能导致错误的收敛结果。
在实际编程中，需要根据具体问题和算法选择合适的收敛准则和方法，并进行适当的调整和优化，以确保计算过程的有效性和准确性。