Eigen windows

最近再算矩阵运算的时候，接触了一些Eigen库，自己算了一些相关的矩阵算法，相关代码如下：

tips：代码是在windows进行的，需要手动的自己下载eigen库然后还有相关的链接

#include <iostream>
//Eigen部分
#include <Eigen/Dense>
//稠密矩阵的代数运算 （逆，特征值等）
#include<Eigen/Core>
using namespace Eigen;
using namespace std;
/*int main()
{
    Vector3d v(1, 2, 3);
    Vector3d w(0, 1, 2);

    cout << "Dot product: " << v.dot(w) << endl;
    double dp = v.adjoint() * w; // automatic conversion of the inner product to a scalar
    cout << "Dot product via a matrix product: " << dp << endl;
    cout << "Cross product:\n" << v.cross(w) << endl;
}*/
#define MATRIX_SIZE 50
int main(int argc, char** argv)
{
    //Eigen 以矩阵为基本数据单元。他是一个模板类，他的前三个参数为：数据类型，行，列
    //声明一个2*3的float矩阵
    Eigen::Matrix<float, 2, 3> matrix_23;
    //Eigen 通过typedef 提供了许多内置类型，不过底层仍是 Eigen::Matrix
    //例如 Vector3d 实质上是Eigen::Matrix<double,3,1>
    Eigen::Vector3d v_3d;
    //Matrix3d实质上是Eigen::Matrix<double,3,3>
    Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Zero();//初始化为零
    //如果不确定矩阵大小，可以使用动态大小的矩阵
    Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic>matrix_dynamic;
    //更简单的
    Eigen::MatrixXd matrix_x;
//下面演示对矩阵的操作
//输入数据
    matrix_23 << 1, 2, 3, 4, 5, 6;
    //输出
    cout << matrix_23 << endl;
/*    for (int i = 0; i < 1; i++) {
        for (int j = 0; j < 2; j++){
            cout << matrix_23(i, j) << endl;
        }
    }*/
    for (int i = 0; i < 1; i++)
        for (int j = 0; j < 2; j++)
        std::cout << matrix_23(i, j) << std::endl;
        

    v_3d << 3, 2, 1;
    //矩阵和向量相乘（实际上仍是矩阵和矩阵）
    //不同类型的矩阵，不能进行混合运算
    //错误示范：
//    Eigen::Matrix<double, 2, 1>result_wrong_type = matrix_23 * v_3d;
    //为什么会出错呢，我们来分析以下原因 在这里我们首先定义 result是一个2*1的矩阵，类型是double的
// matrix_23 类型是float的2*3矩阵，他们在形式上是可以相乘的，但是由于里面的元素类型不同，所以是不可以的
//        应该做显示转换
//    cout << result_wrong_type << endl;
    //这里面.cast<duuble>是Eigen库里面一种提供显示转换的方式，毕竟方便快捷
    Eigen::Matrix<double, 2, 1>result = matrix_23.cast<double>() * v_3d;
    cout << result << endl;
    matrix_33 = Eigen::Matrix3d::Random();//使用Eigen库来生成一个3×3的双精度浮点数矩阵，其中的元素是随机值
    cout << matrix_33 << endl;

    cout <<"转置运算"<< matrix_33.transpose() << endl;
    cout <<"各元素和"<< matrix_33.sum() << endl;//
    cout << "矩阵的迹" << matrix_33.trace() << endl; //矩阵的迹表示是矩阵主对角线之和
    cout << "数乘" << 10 * matrix_33 << endl;
    cout << "矩阵的逆" << matrix_33.inverse() << endl;
    cout << "计算矩阵的行列式" << matrix_33.determinant() << endl;
    
    //计算特征值   利用eigen的库可以计算矩阵的特征值以及特征向量
    //实对称矩阵可以保证对角化成功
  Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver (matrix_33.transpose() * matrix_33);
    cout << "Eigen value =" << eigen_solver.eigenvalues() << endl;//特征值
    cout << "Eigen vectors =" << eigen_solver.eigenvectors() << endl;//特征向量

    //解方程
    //我们求解matrix_NN * x = v_Nd 这个方程
    //N的大小在前边的宏里定义，矩阵由随机数生成
    //直接求逆自然之最直接的，但是求逆运算量大
    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();//
    //直接求逆
    Eigen::Matrix<double, MATRIX_SIZE, 1> x = matrix_NN.inverse() * v_Nd;
    //求时间的思路是 获取当前时间已经在程序执行前的时间，进行做差得到时钟数，时间差以时钟周期为单位
    //之后除以LOCKS_PER_SEC，就可以将这个时间差转换为秒数
cout << "time use in normal invers is " <<" "<<1000 * (clock() - time_stt) / (double)CLOCKS_PER_SEC << "ms" << endl;

    //矩阵求逆的另一种方式 例如用QR分解，速度会快很多
    time_stt = clock();
     x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
    cout << "time use in Qr compsition is " << 1000 * (clock() - time_stt) / (double)CLOCKS_PER_SEC << "ms" << endl;
    
    return 0;
}