Eigen使用

最新推荐文章于 2024-05-01 17:09:41 发布

胡默

最新推荐文章于 2024-05-01 17:09:41 发布

阅读量1.5k

点赞数 4

分类专栏： Eigen学习使用

本文链接：https://blog.csdn.net/YFbookG/article/details/119222903

版权

Eigen学习使用专栏收录该内容

1 篇文章 0 订阅

订阅专栏

本文探讨了矩阵计算中Eigen库的LLT分解和求解，比较了Eigen的norm()和GLM的length()函数，以及向量归一化的两种方法normalize()和normalized()。还介绍了OpenMP并行编程的使用，以及向量叉乘的含义。

摘要由CSDN通过智能技术生成

矩阵计算

#include <iostream>
#include <Eigen/Dense>
using namespace std;
using namespace Eigen;
int main()
{
	Matrix2f A, b;
//	LLT<Matrix2f> llt;
	A << 2, -1, -1, 3;
	b << 1, 2, 3, 1;
	cout << "Here is the matrix A:\n" << A << endl;
	cout << "Here is the right hand side b:\n" << b << endl;
	cout << "The solution is:\n" << A.llt().solve(b) << endl;
}

其中A.llt().solve(b) 的结果就是Ax=b表达式中的x的解

Eigen和GLM

Eigen中的norm()函数和GLM中的length()函数的功能是一样的

两个向量叉乘等于0表示这两个向量平行

OpenMP并行编程

#pragma omp parallel for是OpenMP中的一个指令，表示接下来的for循环将被多线程执行，另外每次循环之间不能有关系，如下：

int main(int argc, char* argv[])
{
#pragma omp parallel for  //后面是for循环
     for (int i = 0; i < 10; i++ )
     {
         printf("i = %d/n", i);
     }
     return 0;
}

这个程序执行后打印出以下结果：
i = 0
i = 5
i = 1
i = 6
i = 2
i = 7
i = 3
i = 8
i = 4
i = 9

for循环里的内容必须满足可以并行执行，即每次循环互不相干，后一次循环不依赖于前面的循环

向量的归一化

norm()是 Frobenius 范数, 所有元素平方之和的平方根
normalize() 会将向量本身改变进行归一化
normalized() 会返回一个归一化向量，但不会改变向量本身
代码：

#include <Eigen/Eigen>
#include <iostream>

int main()
{

  Eigen::VectorXd A(3);

  A(0) = 1.;
  A(1) = 2.;
  A(2) = 3.;

  std::cout << "A.norm() = " << std::endl;
  std::cout << A.norm() << std::endl;

  Eigen::VectorXd B = A.normalized();

  std::cout << "B = " << std::endl;
  std::cout << B << std::endl;
  std::cout << "A = " << std::endl;
  std::cout << A << std::endl;

  A.normalize();

  std::cout << "A = " << std::endl;
  std::cout << A << std::endl;

}

编译结果：

A.norm() =
3.74166

B =
0.267261
0.534522
0.801784

A =
1
2
3

A =
0.267261
0.534522
0.801784

Eigen中的类型转换


	Matrix2i a;
	Matrix2d b;

	aaa << 1.1, 2.3,
		   4.6, 4;
	a = b.cast<int>();

当两个矩阵的类型不同时，不能进行矩阵的运算，会报错，此时可以使用矩阵.cast<要转换的类型>();来对矩阵进行转换，使得两个矩阵的类型相同。