Eigen 稀疏矩阵LU分解解方程组

下载Eigen、配置目录

这里用LU分解举例

 #include <Eigen/Dense>
   #include <Eigen/Sparse>
   #include <Eigen/SparseLU>
   using namespace Eigen;
   //处理矩阵部分
   vector<Triplet<float>> triple;//用三元组赋值
   triple.push_back(Triplet<float>(i, j,A[i][j]));//ij处的值是A[i][j]
   SparseMatrix<float> A(n, n);//定义n*n的系数矩阵
  A.setFromTriplets(triple.begin(), triple.end());//三元数给矩阵赋值
  SparseLU<SparseMatrix<float>> solver
   solver.compute(A);//对A进行预分解
  if (solver.info()!=Success)
    {
        cout << "Compute Matrix is error" << endl;
        return;
    }
   //右端项
  VectorXf b(n);//n行的方程组
  //求解
  x = solver.solve(b);
引用: "截止到这里为止,很多同学会有疑问了:你这不吃饱了撑得。好好的一个矩阵A,你这为毛要将他表示成三个矩阵。这三个矩阵的规模,一点也不比原来矩阵的规模小好么。而且还要做两次矩阵的乘法。要知道,矩阵乘法可是个复杂度为O(n^3)的运算。" 这个引用指的是在矩阵分解中,为什么要将一个矩阵表示成三个矩阵,并且进行两次矩阵乘法,因为矩阵乘法的复杂度是O(n^3)。 引用: "首先复习一下Cholesky(LLt)、QR和LU分解,一般来讲LLt分解可以理成给矩阵开平方,类比于开平方一般针对正数而言,LLt分解则限定矩阵需为正定的Hermitian矩阵(自共轭矩阵,即对称的实数矩阵或对称元素共轭的复数矩阵)。LU分解则稍微放松一点,可用于一般的方阵。QR则可用于一般矩阵,结果也是最稳定的。分解算法的效率,三者都是O(n^3)的,具体系数三者大概是Cholesky:LU:QR=1:2:4。" 这个引用释了Cholesky(LLt)、QR和LU分解的原理和应用范围,并指出它们的效率都是O(n^3),其中系数大致为Cholesky:LU:QR=1:2:4。 鉴于你提到了eigen稀疏矩阵的svd,我将回答与此相关的问题。 Eigen是一个C++模板库,用于线性代数运算。Eigen提供了一种称为SVD(奇异值分解)的分解方法来处理稀疏矩阵。SVD分解将一个矩阵分解为三个矩阵的乘积,其中两个矩阵是正交矩阵,第三个矩阵是对角矩阵,对角线上的元素称为奇异值。这种分解方法在处理稀疏矩阵时非常有效,因为它可以减少存储空间和计算复杂度。所以在使用Eigen处理稀疏矩阵时,可以使用SVD分解来获得矩阵的奇异值和相应的奇异向量。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值