应选择按行主序或列主序预排序的std::vector三元组结构，用双指针归并实现o(nnz₁+nnz₂)加法，需预排序、阈值过滤浮点误差、reserve输出容量并确保输入无分散重复项。
三元组存储结构怎么选才不拖慢加法
稀疏矩阵加法本身不复杂，但用错三元组结构会直接让时间退化成 O(nnz₁ + nnz₂ + rows × cols)。关键不是存不存非零元，而是怎么组织索引——std::vector 比 std::list 好，但更关键的是必须按行主序（row-major）或列主序（col-major）预排序。如果输入三元组没排好序，加法前先调用 std::sort，比较函数要同时比 row 再比 col，不能只比一个。
常见错误是把三元组定义成 struct { int i, j; double val; } 后直接 push_back，结果加法时遍历两组数据做嵌套循环——这其实是稠密算法思路，O(nnz₁ × nnz₂) 级别，10⁵ 非零元就卡死。
- 推荐结构：
std::vector<:tuple int double>></:tuple>或自定义 struct +operator - 输入前务必保证：所有三元组按
(i, j)字典序升序 - 避免用 map/set 存储中间结果——插入开销大，且无法保证输出顺序
双指针合并为什么比哈希表快
两个已排序三元组相加，本质是归并过程，双指针一次遍历就能完成，O(nnz₁ + nnz₂) 时间、O(1) 额外空间（不含输出）。而用 std::unordered_map<:pair>, double></:pair> 虽然写起来省事，但哈希计算、冲突处理、内存分配全在线上，实测在 nnz
双指针逻辑很简单：i 指向 A，j 指向 B，比较 (A[i].row, A[i].col) 和 (B[j].row, B[j].col)：
- 相等 → 值相加，非零才存入结果，i++, j++
- A 小 → 复制 A[i]，i++
- B 小 → 复制 B[j]，j++
注意边界判断别漏掉剩余段——常有人忘记把 i 或 j 剩余部分拷贝进去。
如何避免浮点误差导致的“假零”残留
加法后某位置值为 1e-16 这种量级，严格来说 ≠ 0，但实际应视为零舍去。不处理会导致结果 nnz 膨胀、后续运算变慢。C++ 没内置稀疏矩阵 epsilon 判断，得自己加阈值。
典型错误是写 if (val != 0.0) —— 浮点数不能直接判等。正确做法是：
- 用
std::abs(val) > 1e-12（根据业务精度调整） - 若参与运算的数据本身带误差（如来自 LU 分解残差），阈值建议设为
1e-9 * std::max(std::abs(a_val), std::abs(b_val)) - 别在加法循环里反复调用
std::abs——提前算好阈值，或用constexpr double EPS = 1e-12;
输出三元组要不要去重或重排序
双指针合并天然保序，只要输入有序，输出一定有序，无需额外排序。但要注意：若输入含重复位置（同一 (i,j) 出现多次），说明原始数据不规范——三元组表示要求每个位置至多一个元素。这种情况下，双指针逻辑本身会自动合并，但前提是重复项相邻。如果输入中重复项分散，必须先局部归并或预处理去重。
另一个易忽略点：输出 vector 的容量。如果预估 nnz 上限（比如 nnz_A + nnz_B），用 result.reserve(nnz_A + nnz_B)，否则频繁 realloc 影响性能。实测对百万级非零元，reserve 可提速 15% 以上。
真正麻烦的是动态场景：比如多个矩阵连续相加，中间结果要反复作为输入。这时候建议封装成函数，每次入口检查是否有序、是否含非法零值，而不是假设上游永远干净。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
