学习Eigen过程中写的一些简单代码~
#include <iostream>
#include <Eigen/Core>
// 稠密矩阵的代数运算(逆,特征值等)
#include <Eigen/Dense>
#define MATRIX_SIZE 50
using namespace std;
int main(){
//声明一个2*3的float矩阵
Eigen::Matrix<float, 2, 3> matrix_23;
//等同于Eigen::Matrix<double,3,1> 3*1的三维向量
Eigen::Vector3d v_3d;
Eigen::Matrix<float,3,1> vd_3d;
//Matrix3d是一个3*3的double矩阵,初始化为0
Eigen::Matrix3d matrix_33=Eigen::Matrix3d::Zero();
//动态矩阵,不确定大小
Eigen::Matrix<double,Eigen::Dynamic,Eigen::Dynamic> matrix_dynamic;
//输入数据初始化
matrix_23 << 1,2,3,4,5,6;
//输出数据
//1,2,3
//4,5,6
cout << matrix_23 << endl;
//访问矩阵元素
//1 2 3
//4 5 6
for(int i = 0;i < 2;i++){
for(int j = 0;j < 3;j++){
cout<< matrix_23(i,j) <<"\t";
}
cout<<endl;
}
//矩阵和向量相乘
v_3d << 3,2,1;
vd_3d << 4,5,6;
//不同类型的矩阵不能相乘matrix_23是float类型,v_3d是double类型
//Eigen::Matrix<double,2,1>result_wrong_type=matrix_23*v_3d;
//强制转换,显式
//10
//28
Eigen::Matrix<double,2,1>result=matrix_23.cast<double>()*v_3d;
//维度错误
//Eigen::Matrix<double,2,3>result_wrong_dimension=matrix_23*v_3d;
//产生随机矩阵random()
//0.680375 0.59688 -0.329554
//-0.211234 0.823295 0.536459
//0.566198 -0.604897 -0.444451
matrix_33=Eigen::Matrix3d::Random();
cout<<matrix_33<<endl;
//转置transpose()
// 0.680375 -0.211234 0.566198
// 0.59688 0.823295 -0.604897
// -0.329554 0.536459 -0.444451
cout<<matrix_33.transpose()<<endl;
//求和sum()
//1.61307
cout<<matrix_33.sum()<<endl;
//求迹trace() 主对角线上各元素之和
//1.05922
cout<<matrix_33.trace()<<endl;
//数乘 n×matrix_33
cout<<matrix_33*10<<endl;
//逆矩阵inverse()
// -0.198521 2.22739 2.8357
// 1.00605 -0.555135 -1.41603
// -1.62213 3.59308 3.28973
cout<<matrix_33.inverse()<<endl;
//行列式determinant()
//0.208598
cout<<matrix_33.determinant()<<endl;
//特征值eigenvalues()
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d>eigen_solver(matrix_33);//不是很懂为啥要有这一步
cout<<eigen_solver.eigenvalues()<<endl;
//特征向量eigenvectors()
cout<<eigen_solver.eigenvectors()<<endl;
//解方程 逆矩阵求解较为耗时
//2.423ms
Eigen::Matrix<double,MATRIX_SIZE,MATRIX_SIZE> Matrix_NN;
Matrix_NN=Eigen::MatrixXd::Random(MATRIX_SIZE,MATRIX_SIZE);
Eigen::Matrix<double,MATRIX_SIZE,1> v_Nd;
v_Nd=Eigen::MatrixXd::Random(MATRIX_SIZE,1);
clock_t time_stt=clock();
Eigen::Matrix<double,MATRIX_SIZE,1> x=Matrix_NN.inverse()*v_Nd;
cout << "time use in normal inverse is " << 1000 * (clock() - time_stt) / (double)CLOCKS_PER_SEC << "ms" << endl;
//QR分解解方程
time_stt = clock();
x = Matrix_NN.colPivHouseholderQr().solve(v_Nd);
cout << "time use in QR decomposition is " << 1000 * (clock() - time_stt) / (double)CLOCKS_PER_SEC << "ms" << endl;
}