目录
介绍
Eigen是一个轻量级的矩阵库,除了稀疏矩阵不成熟(3.1有较大改进)以外,其他的矩阵和向量操作都比较完善,而且速度不错.
不支持vc6.0,vs最低版本支持2003(打补丁),最好是2005以上.
安装
在eigen 3.1.3下载最新的版本,然后解压文件,将解压出来的文件夹下的\\Eigen\文件夹拷贝到程序文件夹下,包括头文件,即可使用
Demo
示例是vs2010环境下的程序,主要的文件就只有main.cpp和Eigen文件夹。
矩阵、向量初始化
#include <iostream> #include "Eigen/Dense" using namespace Eigen; int main() { MatrixXf m1(3,4); //动态矩阵,建立3行4列。 MatrixXf m2(4,3); //4行3列,依此类推。 MatrixXf m3(3,3); Vector3f v1; //若是静态数组,则不用指定行或者列 /* 初始化 */ Matrix3d m = Matrix3d::Random(); m1 = MatrixXf::Zero(3,4); //用0矩阵初始化,要指定行列数 m2 = MatrixXf::Zero(4,3); m3 = MatrixXf::Identity(3,3); //用单位矩阵初始化 v1 = Vector3f::Zero(); //同理,若是静态的,不用指定行列数 m1 << 1,0,0,1, //也可以以这种方式初始化 1,5,0,1, 0,0,9,1; m2 << 1,0,0, 0,4,0, 0,0,7, 1,1,1; //向量初始化,与矩阵类似 Vector3d v3(1,2,3); VectorXf vx(30); }
C++数组和矩阵转换
使用Map函数,可以实现Eigen的矩阵和c++中的数组直接转换,语法如下:
//@param MatrixType 矩阵类型 //@param MapOptions 可选参数,指的是指针是否对齐,Aligned, or Unaligned. The default is Unaligned. //@param StrideType 可选参数,步长 /* Map<typename MatrixType, int MapOptions, typename StrideType> */ int i; //数组转矩阵 double *aMat = new double[20]; for(i =0;i<20;i++) { aMat[i] = rand()%11; } //静态矩阵,编译时确定维数 Matrix<double,4,5> Eigen:Map<Matrix<double,4,5> > staMat(aMat); //输出 for (int i = 0; i < staMat.size(); i++) std::cout << *(staMat.data() + i) << " "; std::cout << std::endl << std::endl; //动态矩阵,运行时确定 MatrixXd Map<MatrixXd> dymMat(aMat,4,5); //输出,应该和上面一致 for (int i = 0; i < dymMat.size(); i++) std::cout << *(dymMat.data() + i) << " "; std::cout << std::endl << std::endl; //Matrix为列优先,如下返回指针 dymMat.data();
矩阵基础操作
eigen重载了基础的+ - * / += -= *= /= *可以表示标量和矩阵或者矩阵和矩阵
#include <iostream> #include <Eigen/Dense> using namespace Eigen; int main() { //单个取值,单个赋值 double value00 = staMat(0,0); double value10 = staMat(1,0); staMat(0,0) = 100; std::cout << value00 <<value10<<std::endl; std::cout <<staMat<<std::endl<<std::endl; //加减乘除示例 Matrix2d 等同于 Matrix<double,2,2> Matrix2d a; a << 1, 2, 3, 4; MatrixXd b(2,2); b << 2, 3, 1, 4; Matrix2d c = a + b; std::cout<< c<<std::endl<<std::endl; c = a - b; std::cout<<c<<std::endl<<std::endl; c = a * 2; std::cout<<c<<std::endl<<std::endl; c = 2.5 * a; std::cout<<c<<std::endl<<std::endl; c = a / 2; std::cout<<c<<std::endl<<std::endl; c = a * b; std::cout<<c<<std::endl<<std::endl;
点积和叉积
#include <iostream> #include <Eigen/Dense> using namespace Eigen; using namespace std; int main() { //点积、叉积(针对向量的) Vector3d v(1,2,3); Vector3d w(0,1,2); std::cout<<v.dot(w)<<std::endl<<std::endl; std::cout<<w.cross(v)<<std::endl<<std::endl; } */
转置、伴随、行列式、逆矩阵
小矩阵(4 * 4及以下)eigen会自动优化,默认采用LU分解,效率不高
#include <iostream> #include <Eigen/Dense> using namespace std; using namespace Eigen; int main() { Matrix2d c; c << 1, 2, 3, 4; //转置、伴随 std::cout<<c<<std::endl<<std::endl; std::cout<<"转置\n"<<c.transpose()<<std::endl<<std::endl; std::cout<<"伴随\n"<<c.adjoint()<<std::endl<<std::endl; //逆矩阵、行列式 std::cout << "行列式: " << c.determinant() << std::endl; std::cout << "逆矩阵\n" << c.inverse() << std::endl; }
计算特征值和特征向量
#include <iostream> #include <Eigen/Dense> using namespace std; using namespace Eigen; int main() { //特征向量、特征值 std::cout << "Here is the matrix A:\n" << a << std::endl; SelfAdjointEigenSolver<Matrix2d> eigensolver(a); if (eigensolver.info() != Success) abort(); std::cout << "特征值:\n" << eigensolver.eigenvalues() << std::endl; std::cout << "Here's a matrix whose columns are eigenvectors of A \n" << "corresponding to these eigenvalues:\n" << eigensolver.eigenvectors() << std::endl; }
解线性方程
#include <iostream> #include <Eigen/Dense> using namespace std; using namespace Eigen; int main() { //线性方程求解 Ax =B; Matrix4d A; A << 2,-1,-1,1, 1,1,-2,1, 4,-6,2,-2, 3,6,-9,7; Vector4d B(2,4,4,9); Vector4d x = A.colPivHouseholderQr().solve(B); Vector4d x2 = A.llt().solve(B); Vector4d x3 = A.ldlt().solve(B); std::cout << "The solution is:\n" << x <<"\n\n"<<x2<<"\n\n"<<x3 <<std::endl; }
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
Decomposition | Method | 矩阵特殊要求 | 速度 | 精度 |
PartialPivLU | partialPivLu() | 可逆 | ++ | + |
FullPivLU | fullPivLu() | None | - | +++ |
HouseholderQR | householderQr() | None | ++ | + |
ColPivHouseholderQR | colPivHouseholderQr() | None | + | ++ |
FullPivHouseholderQR | fullPivHouseholderQr() | None | - | +++ |
LLT | llt() | 正定 | +++ | + |
LDLT | ldlt() | 正或负半定 Positive or negative semidefinite | +++ | ++ |
最小二乘求解
最小二乘求解有两种方式,jacobiSvd或者colPivHouseholderQr,4*4以下的小矩阵速度没有区别,jacobiSvd可能更快,大矩阵最好用colPivHouseholderQr
#include <iostream> #include <Eigen/Dense> using namespace std; using namespace Eigen; int main() { MatrixXf A1 = MatrixXf::Random(3, 2); std::cout << "Here is the matrix A:\n" << A1 << std::endl; VectorXf b1 = VectorXf::Random(3); std::cout << "Here is the right hand side b:\n" << b1 << std::endl; //jacobiSvd 方式:Slow (but fast for small matrices) std::cout << "The least-squares solution is:\n" << A1.jacobiSvd(ComputeThinU | ComputeThinV).solve(b1) << std::endl; //colPivHouseholderQr方法:fast std::cout << "The least-squares solution is:\n" << A1.colPivHouseholderQr().solve(b1) << std::endl; }
稀疏矩阵
稀疏矩阵的头文件包括:
#include <Eigen/SparseCore> #include <Eigen/SparseCholesky> #include <Eigen/IterativeLinearSolvers> #include <Eigen/Sparse>
初始化有两种方式: 1.使用三元组插入
typedef Eigen::Triplet<double> T; std::vector<T> tripletList; triplets.reserve(estimation_of_entries); //estimation_of_entries是预估的条目 for(...) { tripletList.push_back(T(i,j,v_ij));//第 i,j个有值的位置的值 } SparseMatrixType mat(rows,cols); mat.setFromTriplets(tripletList.begin(), tripletList.end()); // mat is ready to go!
2.直接将已知的非0值插入
SparseMatrix<double> mat(rows,cols); mat.reserve(VectorXi::Constant(cols,6)); for(...) { // i,j 个非零值 v_ij != 0 mat.insert(i,j) = v_ij; } mat.makeCompressed(); // optional
稀疏矩阵支持大部分一元和二元运算:
sm1.real() sm1.imag() -sm1 0.5*sm1 sm1+sm2 sm1-sm2 sm1.cwiseProduct(sm2)
二元运算中,稀疏矩阵和普通矩阵可以混合使用
//dm表示普通矩阵 dm2 = sm1 + dm1;
也支持计算转置矩阵和伴随矩阵