Eigen 是 C++ 中无需编译安装、头文件即用的高效线性代数库，支持矩阵/向量运算、分解与几何变换；常用类型包括 Eigen::MatrixXf、Eigen::Vector3d、Eigen::MatrixXd 等，如 Eigen::Matrix3d A 可定义并初始化 3×3 矩阵。
Eigen 是 C++ 中最常用、最高效的线性代数库之一，无需编译安装，头文件即用，支持矩阵/向量运算、分解、几何变换等，特别适合科学计算和工程仿真。
快速开始：包含与基本矩阵定义
只需包含头文件，无需链接库：
#include <Eigen/Dense>
常用类型有：Eigen::MatrixXf（动态浮点矩阵）、Eigen::Vector3d（固定大小双精度向量）、Eigen::MatrixXd（动态双精度矩阵）等。
立即学习“C++免费学习笔记（深入）”；
例如定义一个 3×3 矩阵并初始化：
Eigen::Matrix3d A;
A 4, 5, 6,
7, 8, 9;
常见矩阵运算写法（自然、接近数学表达）
Eigen 重载了大量运算符，代码简洁直观：
- A + B、A - B、A * B（矩阵乘法）
- A.transpose()（转置），A.inverse()（逆矩阵，仅方阵）
- A.determinant()（行列式），A.norm()（Frobenius 范数）
- 点积：v.dot(w)；叉积：v.cross(w)（仅限 3D 向量）
矩阵分解与求解线性方程组
不建议直接用 .inverse() 求解 Ax=b，应优先使用分解器，更稳定高效：
-
LU 分解（通用）：
Eigen::PartialPivLU<MatrixXd> lu(A); x = lu.solve(b); -
Cholesky（对称正定）：
Eigen::LLT<MatrixXd> llt(A); x = llt.solve(b); -
QR 分解（超定最小二乘）：
Eigen::ColPivHouseholderQR<MatrixXd> qr(A); x = qr.solve(b);
这些对象可复用，多次调用 solve() 不会重复分解。
性能与内存注意事项
Eigen 默认使用表达式模板（lazy evaluation），多数运算不立即执行，避免临时对象；但需注意：
- 避免“悬空引用”：如
auto x = A * b;中若A或b后续被修改，x行为未定义 —— 显式写成VectorXd x = A * b; - 小矩阵（≤4×4）推荐用固定尺寸类型（如
Matrix4f），编译期优化更好 - 大矩阵运算前可调用
A.conservativeResize(m, n)预分配空间，减少动态重分配
基本上就这些 —— 写科学计算代码时，Eigen 让矩阵操作像写公式一样直觉，不复杂但容易忽略细节。
