SOR（Successive Over-Relaxation）模型是一种用于求解线性方程组的迭代方法。它是对迭代法中的松弛法（Relaxation Method）进行改进得到的。
在线性方程组求解中，SOR模型通过逐次迭代来逼近方程组的解。每一步迭代中，SOR模型会根据当前估计的解和误差情况，调整更新的幅度，从而加快收敛速度。
SOR模型的核心思想是引入一个松弛参数ω（0 < ω < 2），通过加权平均的方式来更新解向量。具体来说，对于第k+1次迭代中的第i个未知数，其更新公式为：
x(i)^(k+1) = (1-ω)x(i)^k + (ω/aii) * (bi – ∑(aik * x(k+1)) + aii * x(i)^k)
其中，x(i)^(k+1)表示第k+1次迭代中第i个未知数的新估计值，x(i)^k表示第k次迭代中第i个未知数的旧估计值，aii表示线性方程组中第i行第i列的系数，bi表示方程组中的常数项，∑(aik * x(k+1))表示与第i个未知数相关的其他未知数的乘积和。
通过不断迭代更新，直到满足一定的收敛条件，即可得到线性方程组的解。
SOR模型相对于松弛法的改进在于引入了松弛参数ω，该参数可以根据问题的特点和收敛速度进行调整。当ω=1时，SOR模型等价于松弛法；当0 < ω < 1时，称为下松弛（Under-Relaxation），可以加快收敛速度；当1 < ω < 2时，称为超松弛（Over-Relaxation），可以提高收敛精度。
总之，SOR模型是一种用于求解线性方程组的迭代方法，通过引入松弛参数来调整更新幅度，从而加快收敛速度或提高收敛精度。