eigen求解线性方程组 Ax = b

使用Eigen求解线性方程组
一. 矩阵分解：

矩阵分解 (decomposition, factorization)是将矩阵拆解为数个矩阵的乘积，可分为三角分解、满秩分解、QR分解、Jordan分解和SVD（奇异值）分解等，常见的有三种：1)三角分解法 (Triangular Factorization)，2)QR 分解法 (QR Factorization)，3)奇异值分解法 (Singular Value Decompostion)。

1. LU三角分解：

三角分解法是将原正方 (square) 矩阵分解成一个上三角形矩阵　或是排列(permuted) 的上三角形矩阵和一个 下三角形矩阵，这样的分解法又称为LU分解法。它的用途主要在简化一个大矩阵的行列式值的计算过程，求 反矩阵，和求解联立方程组。不过要注意这种分解法所得到的上下三角形矩阵并非唯一，还可找到数个不同 的一对上下三角形矩阵，此两三角形矩阵相乘也会得到原矩阵。
MATLAB以lu函数来执行lu分解法， 其语法为[L,U]=lu(A)。

2. QR分解：

QR分解法是将矩阵分解成一个正规正交矩阵与上三角形矩阵,所以称为QR分解法,与此正规正交矩阵的通用符号Q有关。
MATLAB以qr函数来执行QR分解法， 其语法为[Q,R]=qr(A)。

3. 奇异值分解：

奇异值分解 (singular value decomposition,SVD) 是另一种正交矩阵分解法；SVD是最可靠的分解法，但是它比QR 分解法要花上近十倍的计算时间。[U,S,V]=svd(A)，其中U和V分别代表两个正交矩阵，而S代表一对角矩阵。 和QR分解法相同， 原矩阵A不必为正方矩阵。使用SVD分解法的用途是解最小平方误差法和数据压缩。
MATLAB以svd函数来执行svd分解法， 其语法为[S,V,D]=svd(A)。

4. LLT分解：

A=LL^T

Cholesky 分解是把一个对称正定的矩阵表示成一个下三角矩阵L和其转置的乘积的分解。它要求矩阵的所有特征值必须大于零，故分解的下三角的对角元也是大于零的（LU三角分解法的变形）。

5. LDLT分解法：

若A为一对称矩阵且其任意一k阶主子阵均不为零，则A有如下惟一的分解形式：

A=LDL^T
其中L为一下三角形单位矩阵（即主对角线元素皆为1），D为一对角矩阵（只在主对角线上有元素，其余皆为零），L^T为L的转置矩阵。
LDLT分解法实际上是Cholesky分解法的改进，因为Cholesky分解法虽然不需要选主元，但其运算过程中涉及到开方问题，而LDLT分解法则避免了这一问题，可用于求解线性方程组。

<span style="font-size:18px;">#include <iostream>  
 2     #include <Eigen/Dense>  
 3       
 4     using namespace std;  
 5     using namespace Eigen;  
 6       
 7     int main()  
 8     {      
 9         //线性方程求解 Ax =B;      
10         Matrix4d A;      
11         A << 2,-1,-1,1,          
12              1,1,-2,1,          
13              4,-6,2,-2,          
14              3,6,-9,7;      
15         Vector4d B(2,4,4,9);      
16         Vector4d x = A.colPivHouseholderQr().solve(B);      
17         Vector4d x2 = A.llt().solve(B);      
18         Vector4d x3 = A.ldlt().solve(B);          
19         std::cout << "The solution is:\n" << x <<"\n\n"<<x2<<"\n\n"<<x3 <<std::endl;  
20     }</span>  

除了colPivHouseholderQr、LLT、LDLT，还有以下的函数可以求解线性方程组，请注意精度和速度：解小矩阵（4*4）基本没有速度差别

 1 // Solve Ax = b. Result stored in x. Matlab: x = A \ b.
 2 x = A.ldlt().solve(b));  // A sym. p.s.d.    #include <Eigen/Cholesky>
 3 x = A.llt().solve(b));  // A sym. p.d.      #include <Eigen/Cholesky>
 4 x = A.lu().solve(b));  // Stable and fast. #include <Eigen/LU>
 5 x = A.qr().solve(b));  // No pivoting.     #include <Eigen/QR>
 6 x = A.svd().solve(b));  // Stable, slowest. #include <Eigen/SVD>
 7 // .ldlt() -> .matrixL() and .matrixD()
 8 // .llt()  -> .matrixL()
 9 // .lu()   -> .matrixL() and .matrixU()
10 // .qr()   -> .matrixQ() and .matrixR()
11 // .svd()  -> .matrixU(), .singularValues(), and .matrixV()

文章来源：
https://www.cnblogs.com/feifanrensheng/articles/8510702.html