简单介绍C++中线性代数运算库Eigen

Eigen 是一个高性能的 C++ 模板库，专注于线性代数、矩阵和向量运算，广泛应用于科学计算、机器学习和计算机视觉等领域。以下是对 Eigen 库的详细介绍：

1. 概述

核心功能：支持矩阵、向量运算，包括基本算术、矩阵分解（如 LU、QR、SVD）、几何变换（旋转、平移）等。
特点：
- 表达式模板：通过延迟计算优化性能，减少临时变量。
- 多数据类型 ：支持 float、double、std::complex 等。
- 存储顺序：默认列优先（类似 Fortran），可选行优先（兼容 C 风格数组）。
- 动态与静态矩阵 ：MatrixXd（动态大小双精度）、Vector3f（固定大小 3 维单精度）等。
- 零依赖：纯头文件实现，无需额外编译。
许可证：MPL2（宽松开源协议，允许商业使用）。

2. 安装与配置

安装：从 Eigen 官网下载后，将头文件目录添加到编译器包含路径。

包含头文件：

c 复制代码

#include <Eigen/Core>      // 核心模块（Matrix、Vector）
#include <Eigen/Dense>     // 常用模块（包含 Core、LU、QR 等）
#include <Eigen/Geometry> // 几何变换

3. 基本用法

3.1 定义矩阵与向量

c 复制代码

Eigen::MatrixXd mat(3, 3);     // 动态大小双精度矩阵
Eigen::Vector3f vec;           // 固定大小3维单精度向量
Eigen::Matrix3f mat_fixed;     // 固定大小3x3单精度矩阵

3.2 初始化

c 复制代码

mat = Eigen::MatrixXd::Random(3, 3);  // 随机初始化
vec << 1, 2, 3;                      // 逗号初始化
mat_fixed = Eigen::Matrix3f::Identity(); // 单位矩阵

3.3 算术运算

c 复制代码

Eigen::MatrixXd a = Eigen::MatrixXd::Random(2, 2);
Eigen::MatrixXd b = Eigen::MatrixXd::Random(2, 2);
Eigen::MatrixXd c = a + b;          // 逐元素加法
Eigen::MatrixXd d = a * b;          // 矩阵乘法
Eigen::MatrixXd e = a.transpose();  // 转置

3.4 解线性方程组

c 复制代码

Eigen::Matrix3f A;
Eigen::Vector3f b, x;
A << 1, 2, 3, 
     4, 5, 6, 
     7, 8, 10;
b << 3, 3, 4;
x = A.lu().solve(b); // LU分解求解Ax = b

4. 高级功能

4.1 矩阵分解

c 复制代码

// QR分解（最小二乘解）
x = A.householderQr().solve(b);
// SVD分解（奇异值分解）
Eigen::JacobiSVD<Eigen::MatrixXd> svd(A, Eigen::ComputeThinU | Eigen::ComputeThinV);

4.2 几何模块

c 复制代码

Eigen::AngleAxisd rotation(M_PI/4, Eigen::Vector3d::UnitZ()); // Z轴旋转45度
Eigen::Vector3d point(1, 0, 0);
point = rotation * point; // 应用旋转变换

4.3 内存映射（Map类）

c 复制代码

double data[] = {1, 2, 3, 4};
Eigen::Map<Eigen::VectorXd> vec_map(data, 4); // 将数组映射为向量

5. 性能优化

表达式模板 ：自动合并操作（如 a = b + c + d 合并为单层循环）。
固定大小矩阵：小型矩阵（如 4x4）在栈上分配，避免堆开销。
SIMD 优化 ：启用编译器选项（如 -march=native）利用 SSE/AVX 指令集。

6. 注意事项

别名问题：避免操作中同时读写同一矩阵：

c 复制代码

// 错误写法：a = a.transpose();
a = a.transpose().eval();        // 正确写法1
a.transposeInPlace();             // 正确写法2

auto 陷阱：延迟计算可能导致意外结果：

c 复制代码

auto tmp = a * b; // tmp是表达式对象，非实际矩阵
Eigen::MatrixXd tmp_eval = a * b; // 立即求值

内存对齐 ：固定大小矩阵需注意内存对齐（使用 EIGEN_MAKE_ALIGNED_OPERATOR_NEW）。

7. 应用场景

科学计算：解微分方程、优化问题。
计算机视觉：三维重建、相机标定（如 OpenCV 可集成 Eigen）。
机器学习：线性回归、PCA 降维。
物理引擎：刚体变换、碰撞检测。

8. 对比其他库

库名	特点
Armadillo	语法类似 Matlab，依赖 LAPACK。
OpenCV	侧重图像处理，内置矩阵但功能较局限。
BLAS/LAPACK	底层标准，需手动管理内存。

Eigen 凭借其高性能、易用性和灵活性，成为 C++ 中线性代数运算的首选库之一。深入掌握其特性后，可在项目中高效实现复杂的数学运算。