C++如何使用Eigen库进行矩阵运算？（线性代数）

Eigen库矩阵运算核心是正确包含头文件、选用合适模板类型（如MatrixXd、Vector3d）、调用内置方法或运算符重载；其纯头文件设计无需链接，轻量高效；定义如MatrixXd A(3,4)创建未初始化的3×4双精度矩阵，Matrix3d B为3×3双精度矩阵。

直接用 Eigen 库做矩阵运算，核心就三点：正确包含头文件、用对数据类型（如 MatrixXd、Vector3d）、调用内置方法或重载运算符。它不依赖编译时链接库，头文件即用，轻量又高效。

基础矩阵定义与初始化

Eigen 不用 new 也不用 C 风格数组，所有矩阵/向量都是模板类实例：

• MatrixXd A(3, 4); —— 动态大小的双精度矩阵，3 行 4 列，元素默认未初始化
• Matrix3d B; B —— 3×3 固定大小，用逗号初始化器按行填入
• Vector2d v(1.5, -2.0); —— 二维列向量，也可写成 VectorXd v(2); v

常见运算写法（简洁自然）

加减乘除、转置、逆、行列式等都通过成员函数或操作符完成，无需手写循环：

• 矩阵乘法：C = A * B;（自动检查维度，运行时报错）
• 点积与叉积：v.dot(u)、v.cross(w)（仅限 2D/3D 向量）
• 转置与共轭转置：A.transpose()、A.adjoint()
• 求逆与行列式：A.inverse()（推荐用 FullPivLU 更稳定）、A.determinant()

解线性方程组 Ax = b

别直接算 A.inverse() * b，Eigen 提供更稳更快的分解法：

• 通用解法：x = A.colPivHouseholderQr().solve(b);
• 对称正定用 Cholesky：x = A.llt().solve(b);
• 最小二乘（超定）：x = A.jacobiSvd(ComputeThinU | ComputeThinV).solve(b);

性能与注意事项

默认是列优先存储，和 MATLAB 一致；表达式模板让中间对象不实际生成，但要注意引用绑定陷阱：

• 避免 auto& res = A * B + C; —— 右值临时对象生命周期短，引用会悬空
• 想复用内存？用 .noalias()： D.noalias() = A * B + C;
• 调试时开启断言：#define EIGEN_NO_DEBUG 关闭，否则越界访问会报错

基本上就这些。Eigen 写起来像数学公式，读起来也清楚，只要类型匹配、维度对得上，线性代数代码写得既快又不容易出错。