Eigen是C++中高效的线性代数库，无需编译，支持矩阵向量操作与线性方程求解；1. 安装时下载并添加头文件路径，或用CMake的find_package(Eigen3)；2. 常用类型有Matrix、VectorXf、MatrixXd等，可通过
在C++中进行高效的线性代数运算时，Eigen 是一个非常受欢迎的高性能模板库。它以头文件形式提供，无需编译即可使用，支持矩阵和向量操作、线性方程求解、特征值计算、奇异值分解等功能，且性能可与 BLAS/LAPACK 等传统库媲美。
1. 安装与配置 Eigen 库
Eigen 是纯头文件库，因此安装非常简单：
- 从官网 https://www.php.cn/link/e7d62ad090f4fdb69fe7f4f2277acc33 下载最新版本
-
解压后将
include/Eigen目录添加到编译器的头文件搜索路径 - 在代码中包含所需头文件，例如：#include
使用 CMake 项目时，可以这样配置：
find_package(Eigen3 REQUIRED) target_link_libraries(your_target Eigen3::Eigen)
2. 基本矩阵与向量操作
Eigen 提供了丰富的类型来表示矩阵和向量。常用类型包括：
立即学习“C++免费学习笔记（深入）”；
-
Matrix<type rows cols></type>：通用矩阵 -
Vector<type size></type>：列向量（如 Vector3f） -
MatrixXd：动态大小的双精度矩阵 -
VectorXf：动态大小的单精度向量
示例代码：
#include <iostream>
#include <Eigen/Dense>
<p>int main() {
Eigen::MatrixXd A(2, 2);
A << 1, 2,
3, 4;</p><pre class="brush:php;toolbar:false;">Eigen::VectorXd b(2);
b << 5, 6;
std::cout << "Matrix A:\n" << A << "\n\n";
std::cout << "Vector b:\n" << b << "\n\n";
Eigen::VectorXd x = A.lu().solve(b); // 解 Ax = b
std::cout << "Solution x:\n" << x << "\n";}
3. 求解线性方程组
Eigen 提供多种分解方式求解线性系统，根据矩阵特性选择合适方法：
-
.lu()：适用于一般方阵（LU 分解） -
.ldlt()：适用于对称正定或近似正定矩阵 -
.qr().solve()：适用于非方阵或最小二乘问题 -
.householderQr()：QR 分解，稳定但稍慢
示例：使用 QR 分解求最小二乘解
Eigen::MatrixXd X(4, 2); // 数据矩阵
X << 1, 1,
1, 2,
1, 3,
1, 4;
<p>Eigen::VectorXd y(4);
y << 2, 3, 4, 5;</p><p>Eigen::VectorXd beta = X.householderQr().solve(y);
std::cout << "Least-squares solution: " << beta.transpose() << "\n";4. 特征值与奇异值分解
对于特征分析和主成分分析等任务，Eigen 提供了：
-
SelfAdjointEigenSolver：用于实对称矩阵 -
EigenSolver：用于一般实/复矩阵 -
JacobiSVD：奇异值分解
示例：计算 SVD
Eigen::MatrixXd M(3, 2);
M << 1, 2,
3, 4,
5, 6;
<p>Eigen::JacobiSVD<Eigen::MatrixXd> svd(M, Eigen::ComputeThinU | Eigen::ComputeThinV);
std::cout << "Singular values:\n" << svd.singularValues().transpose() << "\n";Eigen 还支持表达式模板优化，能自动合并多个操作以减少临时变量和提升性能，例如：
MatrixXd A, B, C; // 下面的操作不会立即执行，而是在赋值时优化 MatrixXd D = 2.0 * A + B * C.transpose();
基本上就这些。Eigen 使用方便、文档完善，是 C++ 中科学计算和机器学习项目的理想选择。只要包含头文件，就能高效完成大多数线性代数任务。
