c++ Eigen库怎么用_c++线性代数与矩阵运算库【科学计算】

Eigen 是 c++ 中无需编译安装、头文件即用的高效线性代数库，支持矩阵/向量运算、分解与几何变换；常用类型包括 Eigen::MatrixXf、Eigen::Vector3d、Eigen::MatrixXd 等，如 Eigen::Matrix3d A 可定义并初始化 3×3 矩阵。

Eigen 是 C++ 中最常用、最高效的线性代数库之一，无需编译安装，头文件即用，支持矩阵/向量运算、分解、几何变换等，特别适合科学计算和工程仿真。

快速开始：包含与基本矩阵定义

只需包含头文件，无需链接库：

#include

常用类型有：Eigen::MatrixXf（动态浮点矩阵）、Eigen::Vector3d（固定大小双精度向量）、Eigen::MatrixXd（动态双精度矩阵）等。

立即学习“C++免费学习笔记（深入）”；

例如定义一个 3×3 矩阵并初始化：

Eigen::Matrix3d A;
A      4, 5, 6,
     7, 8, 9;

美图云修

商业级AI影像处理工具

52

查看详情

常见矩阵运算写法（自然、接近数学表达）

Eigen 重载了大量运算符，代码简洁直观：

• A + B、A – B、A * B（矩阵乘法）
• A.transpose()（转置），A.inverse()（逆矩阵，仅方阵）
• A.determinant()（行列式），A.norm()（Frobenius 范数）
• 点积：v.dot(w)；叉积：v.cross(w)（仅限 3D 向量）

矩阵分解与求解线性方程组

不建议直接用 .inverse() 求解 Ax=b，应优先使用分解器，更稳定高效：

• LU 分解（通用）：Eigen::PartialPivLU<matrixxd> lu(A); x = lu.solve(b);</matrixxd>
• Cholesky（对称正定）：Eigen::LLT<matrixxd> llt(A); x = llt.solve(b);</matrixxd>
• QR 分解（超定最小二乘）：Eigen::ColPivHouseholderQR<matrixxd> qr(A); x = qr.solve(b);</matrixxd>

这些对象可复用，多次调用 solve() 不会重复分解。

性能与内存注意事项

Eigen 默认使用表达式模板（lazy evaluation），多数运算不立即执行，避免临时对象；但需注意：

• 避免“悬空引用”：如 auto x = A * b; 中若 A 或 b 后续被修改，x 行为未定义 —— 显式写成 VectorXd x = A * b;
• 小矩阵（≤4×4）推荐用固定尺寸类型（如 Matrix4f），编译期优化更好
• 大矩阵运算前可调用 A.conservativeResize(m, n) 预分配空间，减少动态重分配

基本上就这些 —— 写科学计算代码时，Eigen 让矩阵操作像写公式一样直觉，不复杂但容易忽略细节。