数值计算中矩阵运算

1. 矩阵运算最简单的方法是使用matlib，因为在matlib中, 矩阵是基本的数据类型，其语法与数学运算基本一致，所以适合新手入手，但matlib也有很多不足之处。比如软件比较庞大，收费，以及效率等问题。

2. 使用Python的numpy库，几乎能代替matlib，但是程序的调试难度上升了一些，花的时间增加了。优点是轻量，部署效率高，能够快速放到服务器上跑，同时有一些第三方的轮子。缺点是Python本身的效率也偏低。

3. 选择Fortran和C++传统编译形语言

相对于 fortran，用 C++ 做数值计算的一个缺陷就是语言本身（或标准库） 没有矩阵类型（以及高维矩阵类型）．而且在C++中使用第三方库的难度要比Python中难一些，linux环境下可能更容易。

1.这一段中错误比较多，直接定义的C++数组是在stack中定义的，在heap中定义需要new，更简单的办法是直接定义为全局变量，即在heap中。

2. vector效率低的原因，已经说得很清楚了。LAPACK库这里引入的比较突兀。

3. 目前2020年，Eigen3应该是C++中比较流行的矩阵运算库，大名鼎鼎的TensorFlow基于Eigen3开发。Eigen3的配置只需要头文件，在linux/mac OS环境非常容易。缺点是编写C++语言，开发难度会提高，开发效率会降低，调试难度会变大，报错比较复杂。但程序的稳定性，健壮性，效率会提高。一般如果要追求效率，会先用Matlib/Python实现算法，然后在移植到C++上做开发。

这里要明白，直接写一个矩阵计算的时间复杂度是O(N^3), 在算法导论上，有通过分治法（分块矩阵的办法）将时间复杂度优化O(N^2.367), 这里N是矩阵的维数。对于稀疏矩阵，更是可以将时间复杂度提到O(N), 另外，存在一系列的算法，来提高矩阵乘法的效率。另一方面，可以通过多核CPU的优化进一步提高矩阵相乘的效率。此不难理解为什么底层就是一个BLAS这样的接口，BLAS接口存在各种各样的实现，所以矩阵乘法也可以看做乘法的一种，是一种底层实现。

 

由此不难理解，LAPACK和Eigen本质上都是基于底层BLAS接口实现更高级的线性代数运行操作。