Eigen是C++中无需编译的头文件线性代数库，支持稠密与稀疏矩阵运算，广泛用于科学计算等领域；通过包含Eigen/Dense头文件即可使用其核心功能；Matrix模板类支持动态与固定大小矩阵定义，如MatrixXd和Vector3f；支持逗号初始化、单位矩阵、零矩阵等构造方式；提供加减乘除、转置、行列式、求逆等常见运算；推荐使用LU或QR分解求解线性方程组以提高数值稳定性；还支持特征值计算、SVD分解和稀疏矩阵操作；性能优化建议包括启用-O2/-O3优化、使用固定大小矩阵和避免临时对象。
在C++中进行矩阵运算时，Eigen 是一个高效、易用且无需编译的线性代数库。它支持稠密和稀疏矩阵操作，包括矩阵乘法、求逆、特征值计算、线性方程求解等，广泛应用于科学计算、机器学习和图形学等领域。
安装与配置Eigen库
Eigen是一个头文件库，不需要编译，只需下载并包含头文件即可使用。
- 从官网 https://eigen.tuxfamily.org 下载最新版本
- 解压后将 Eigen 文件夹复制到项目目录或系统include路径
- 在代码中通过 #include
使用核心功能
例如，在Linux或macOS下可使用命令行快速配置：
mkdir -p /usr/local/include/eigen3tar -xzf eigen-*.tar.gz --strip-components=1 -C /usr/local/include/eigen3
基本矩阵定义与初始化
Eigen的核心类型是 Matrix 模板类，常用别名如 MatrixXd（双精度动态大小矩阵）、Vector3f（3维单精度向量）等。
立即学习“C++免费学习笔记（深入）”；
include iostream>
include
using Eigen::MatrixXd;
using Eigen::VectorXd;
int main() {
// 创建3x3的动态大小矩阵
MatrixXd A(3, 3);
A
4, 5, 6,
7, 8, 9;
// 创建列向量
VectorXd b(3);
b
std::cout
std::cout
return 0;
}
支持逐元素赋值、逗号初始化，也支持零矩阵、单位矩阵等特殊构造：
MatrixXd I = MatrixXd::Identity(3, 3); // 单位矩阵
MatrixXd Z = MatrixXd::Zero(2, 3); // 零矩阵
MatrixXd R = MatrixXd::Random(3, 3); // 随机矩阵
常见矩阵运算操作
Eigen重载了常见的数学运算符，使代码接近数学表达形式。
- 加减乘除：+、-、*、*
- 转置：.transpose()
- 共轭：.conjugate()
- 伴随：.adjoint()
- 行列式：.determinant()
- 求逆：.inverse()
MatrixXd C = A * b; // 矩阵乘向量
MatrixXd D = A.transpose(); // 转置
double det = A.determinant(); // 行列式
MatrixXd invA = A.inverse(); // 求逆（注意：奇异矩阵不可逆）
求解线性方程组 Ax = b 推荐使用分解法，更稳定高效：
VectorXd x = A.lu().solve(b); // 使用LU分解// 或使用 QR 分解：
// VectorXd x = A.colPivHouseholderQr().solve(b);
高级功能与性能提示
Eigen支持稀疏矩阵、特征值计算、SVD分解等高级功能。
- 特征值：SelfAdjointEigenSolver 或 EigenSolver
- SVD分解：JacobiSVD
- 稀疏矩阵：SparseMatrix 类型
性能优化建议：
- 启用编译器优化（-O2 或 -O3）
- 使用固定大小矩阵（如 Matrix3d）提升小矩阵性能
- 避免不必要的临时对象
- 开启多线程（部分操作支持 OpenMP）
include
Eigen::EigenSolver
std::cout
基本上就这些。Eigen语法直观，文档完善，适合快速实现线性代数算法。只要包含头文件，就能轻松完成大多数矩阵计算任务。
