C++调用Eigen库技巧的直观理解

1、IDE（集成开发环境）设置将 Eigen 程序文件夹添加到包含文件中 .包含文件#include 包含命名空间using name Eigen;下标类型与C+相同，从0开始.默认矩阵元素排列列主元初始化程序中赋值 MatrixXd A; A 程序中赋值 MatrixXd A; A 1, 2, 3,4, 5, 6,7, 8, 9;/ Initialize A. The elements can also be / matrices, which are stacked along cols / and then the rows are stacked.快速生成常用矩阵和向量MatrixXd A

2、=MatrixXd:Zero(m, n); /matlab 中的 A=zeros(m,n)MatrixXd A; A.setZero(m, n);MatrixXd A=MatrixXd:Ones(m, n); /matlab 中的 A=ones(m, n)MatrixXd A; A.setOnes(m, n);MatrixXd A=MatrixXd:Identity(m, n); /matlab 中的 A=eye(m,n)MatrixXd A; A.setIdentity(m, n);MatrixXd A; A=C*MatrixXd:Ones(m, n); /matlab 中的 A=C*one

3、s(m,n)MatrixXd A; A=MatrixXd:Constant(m,n,C);MatrixXd A(m,n); A=fill(C);VectorXd a_vec=VectorXd:Constant(m, C); /matlab 中的 a_vec=C*ones(m,1) VecotrXda_vec=VectorXd:LinSpaced(n, x1, x2); /matlab 中 的 a_vec=linspace(x1, x2, n).;VectorXd a_vec; a_vec.setLinSpaced(n, x1, x2);转置、共轭和共轭转置MatrixXd B=A.adjoin

4、t(); /matlab 中的 B=AMatrixXcd B=A.conjugate(); /matlab 中的 B=conj(A);MatrixXd B=A.transpose(); /matlab 中的 B=A.提取矩阵尺度A.size();/matlab 中的 length(A(:)A.rows();/matlab 中的 size(A,1)A.cols();/matlab 中的 size(A,2)变矩阵尺度A.resize(m1,n1); /matlab 中的 A=reshape(A,m1,n1);产生随机矩阵MatrixXd A=MatrixXd:Random(m, n); /matl

5、ab 中的 A=2*rand(m,n)-1MatrixXd A; A.setRandom(m, n); /matlab 中的 A=2*rand(m,n)-1MatrixXcd A=MatrixXcd:Random(m,n); /生成实部和虚部均在(-1,1)中的随机 复数矩阵点乘和点除MatrixXd C=A.cwiseProduct(B); /matlab 中的 C=A.*BVectorXd c=a_vec.cwiseProduct(b); /matlab 中的 c=a_vec.*bMatrixXd C=A.cwiseQuotient(B); /matlab 中的 C=A./BMatrixX

6、d B=A.cwiseInverse(); /matlab 中的 B=1./A;矩阵按内存顺序单指数索引A(i); /matlab 中的 A(i+1)矩阵与标量运算(逐元素运算)MatrixXd C=A.array()+k; /matlab 中的 C=A+kMatrixXd C=A.array()/B.array(); /matlab 中的 C=A./BMatrixXd B=A.array().sin(); /matlab 中的 sin(A)MatrixXd B二A.array().pow(s); /matlab 中的 AsMatrixXd B=A.array().log(); /matlab

7、 中的 log(A)向量点乘求和a_vec.dot(b_vec); /matlab 中的 sum(a.*b)VectorXd、RowVectorXd 与 MatrixXd 的关系VectorXd 等价于 Matrix; RowVectorXd 等价于 Matrix;MatrixXd 等价于 Matrix.生成高维矩阵Matrix A(m,n); /注意，此时矩阵数据的存储空 间不再连续生成行主元矩阵Matrix E(m,n);令矩阵为自身的转置A.transposeInPlace();函数首字母大小写的可能情形 成员函数首字母大写； 友元函数首字母小写.矩阵块和向量块提取A.block(i,

8、j, row_num, col_num); /matlab A(i+1:i+row_num,j+1:j+col_num)x_vec.segment(i, n); /matlab 中的 x_vec(i+1:i+n)对角操作VectorXd a_vec=A.diagonal(); /matlab 中的 a_vec=diag(A)MatrixXd A=a_vec.asDiagonal(); /matlab 中的 A=diag(a_vec)自运算符A+=B; /matlab 中的 A=A+B最小和最大操作double x=A.minCoeff(); /matlab 中的 x=min(A(:)doubl

9、e x=A.maxCoeff(); /matlab 中的 x=max(A(:)double x二A.minCoeff(&r,&c); /matlab 中的s, i = min(R(:); ind2sub(size(R), i)double x二A.maxCoeff(&r,&c); /matlab 中的s, i = max(R(:); ind2sub(size(R), i)求和和求积操作double x=A.sum(); /matlab 中的 x=sum(A(:)VectorXd vec=A.colwise().sum(); /matlab 中的 vec=sum(A)VectroXd vec=A

10、.rowwise().sum(); /matlab 中的 vec=sum(A,2) double x=A.prod(); /matlab 中的 x=prod(A(:)VectorXd vec=A.colwise().prod(); /matlab 中的 vec=prod(A)中的r, c =r, c =VectroXd vec=A.rowwise().prod(); /matlab 中的 vec=prod(A,2) 中的r, c =r, c =double x=vec.norm(); /matlab 中的 x=norm(vec)矩阵数据类型转换MatrixXf B=A.cast()矩阵数据类型

11、转换MatrixXf B=A.cast()MatrixXi B=A.cast();实部和虚部提取MatrixXd real_A=A.real();MatrixXd imag_A=A.imag();/matlab 中的 B=single(A)/matlab 中的 B=int32(A)/matlab 中的 real_A=real(A)/matlab 中的 imag_A=imag(A)解线性方程组x二A.ldlt() .solve(b); /要求对称正定，需#include x=A.ll t().solve(b); /要求对称半正定，需 #include x=A.lu().solve(b); /稳定快速，需 #include x=A.qr().solve(b); /要求没有 pivoting,需#include x=A.svd().solve(b); /稳定但非常慢，需 #inc