如何用Eigen库进行C++矩阵运算？C++科学计算与线性代数库【教程】

Eigen核心三点：正确包含头文件、选对矩阵类型、用好表达式模板；纯头文件实现，无需BLAS，编译快、性能高；常用MatrixXd（动态双精度）和Matrix3d（固定3×3），构造即初始化，如MatrixXd A(3,4)创建3行4列零矩阵。

用Eigen做C++矩阵运算，核心就三点：正确包含头文件、选对矩阵类型、用好表达式模板。它不依赖外部BLAS，纯头文件实现，编译快、性能高，适合大多数科学计算场景。

快速上手：定义与初始化矩阵

Eigen里最常用的是MatrixXd（动态大小、double精度）和Matrix3d（固定3×3）。不需要手动管理内存，构造即初始化。

• 动态矩阵：MatrixXd A(3, 4); 创建3行4列全零矩阵；A 按行赋值（逗号分隔，分号换行）
• 固定大小矩阵：Matrix3f B; B.setIdentity(); 快速得单位阵；Vector3d v(1, 2, 3); 列向量也是Matrix的特例
• 从C数组构造：double raw[6] = {1,2,3,4,5,6}; Map M(raw, 2, 3); 零拷贝映射，适合对接旧代码

常用运算：写法自然，自动优化

加减乘除、转置、逆、行列式等都用直观操作符或成员函数，Eigen在编译期做表达式模板优化，多数运算不产生临时对象。

• 基本运算：C = A * B + A.transpose(); 一行完成，内部自动调度；A.array() * B.array() 表示逐元素乘（注意.array()）
• 分解与求解：LLT chol(A); 做Cholesky分解；VectorXd x = chol.solve(b); 解Ax=b，比手写更稳更快
• 特征值：SelfAdjointEigenSolver eig(A); 仅适用于对称阵；eig.eigenvalues() 返回VectorXcd（复数）

性能与安全提醒

默认开启断言检查（如越界访问、维度不匹配），发布版可加-DNDEBUG关闭。真正影响速度的是内存布局和表达式惰性求值——别反复调用.eval()，除非需要强制计算。

• 列优先存储（Fortran风格），遍历时优先用for (int j=0; j
• 避免写A = A * B;（会触发别名问题），改用A.noalias() = A * B; 或直接A *= B;
• 大矩阵建议用MatrixXf（float）省内存，精度够用时比double快不少

基本上就这些。Eigen不复杂但容易忽略细节，把矩阵类型选对、运算符用准，再配上合适的分解器，日常线性代数任务基本全覆盖。