Eigen矩阵求逆和特征值分解怎么写-C++-PHP中文网

应避免直接用.inverse()求逆和对非对称矩阵使用selfadjointeigensolver；.inverse()仅适用于小规模、低条件数且明确可逆的矩阵，否则易数值不稳定、无失败提示且性能差；推荐用colpivhouseholderqr().solve()求逆；用selfadjointeigensolver前须验证矩阵严格对称，即(a - a.transpose()).norm() ≈ 0。

eigen矩阵求逆和特征值分解怎么写

别直接用 .inverse() 求逆，也别对非对称矩阵硬套 SelfAdjointEigenSolver —— 这两类操作最容易静默出错或数值崩掉。

矩阵求逆：什么时候能用 `.inverse()`，什么时候必须换方法

直接调 Mat.inverse() 看似简单，但只适合小规模（比如 3×3、4×4）、条件数低、且你明确知道它可逆的场景。实际中多数矩阵不满足这些前提：

数值不稳定：当矩阵接近奇异（Mat.determinant() 接近 0）时，.inverse() 可能返回巨大误差，甚至 NaN
没做失败检查：它不会抛异常，也不会返回 Success 状态，出错了只能靠你事后验证（比如算 Mat * Mat.inverse() 是否接近单位阵）
性能差：比 QR 或 LU 分解慢，尤其对 >10×10 的矩阵

更稳妥的做法是走分解求解路径：A.colPivHouseholderQr().solve(MatrixXd::Identity(A.rows(), A.cols()))，本质是解 A * X = I，鲁棒性强，自动处理秩亏情况。

`SelfAdjointEigenSolver` 报错或返回全零特征向量？先确认矩阵是否真对称

SelfAdjointEigenSolver 要求输入矩阵严格满足 A == A.transpose()（浮点误差内）。哪怕差一个 1e-15，它都可能静默失败（eigensolver.info() == Success 却返回零向量），而不是报断言错误。

检查方式：用 (A - A.transpose()).norm() 验证对称性
常见翻车点：从外部读入数据、经过多次浮点运算、或用了 .adjoint()（对复数才等价于转置）
如果矩阵不对称但实数，改用 EigenSolver<matrixxd></matrixxd>；如果是复矩阵，用 ComplexEigenSolver

示例：构造对称矩阵再分解

MuseNet – OpenAI

MuseNet是 OpenAI 发布的实验性 AI 音乐生成研究项目。

下载

MatrixXd A = (MatrixXd::Random(4,4) * MatrixXd::Random(4,4).transpose()).eval();
SelfAdjointEigenSolver<matrixxd> es(A);
if (es.info() != Success) { /* 处理失败 */ }
cout <h3>需要反复解多个 <code>b</code> 向量？预分解比重复调用 <code>.solve()</code> 快得多</h3>
<p>如果你在循环里反复解 <code>A * x_i = b_i</code>，千万别每次写 <code>A.colPivHouseholderQr().solve(b_i)</code> —— 分解过程被重复执行，开销爆炸。</p>
<ul>
<li>正确做法：一次分解，多次求解</li>
<li>
<code>auto dec = A.colPivHouseholderQr();</code>（或 <code>A.llt()</code> 如果确定对称正定）</li>
<li>然后循环中只调 <code>dec.solve(b_i)</code>
</li>
<li>注意：<code>llt()</code> 对非正定矩阵会 runtime abort，而 <code>colPivHouseholderQr()</code> 总能返回一个解（最小二乘意义下）</li>
</ul>
<p>性能差异在 100×100 以上矩阵上非常明显，实测快 3–5 倍。</p>
<h3>特征值全是复数，但 <code>SelfAdjointEigenSolver</code> 强制返回实数？那是用错了类型</h3>
<p>实矩阵的特征值可以是复数（比如旋转矩阵），但 <code>SelfAdjointEigenSolver</code> 只接受自伴随（实对称 / 复共轭对称）矩阵，并**强制假设所有特征值为实数**。你传一个普通方阵进去，它不会警告，而是把复特征值强行截断或归零。</p>
<ul>
<li>判断依据：看矩阵是否满足 <code>A == A.transpose()</code>（实数）或 <code>A == A.adjoint()</code>（复数）</li>
<li>通用解法：用 <code>EigenSolver<matrixxd></matrixxd></code>，其 <code>eigenvalues()</code> 返回 <code>VectorXcd</code>（复数向量）</li>
<li>注意：它的 <code>eigenvectors()</code> 也是复数矩阵，即使输入是实矩阵</li>
</ul>
<p>真正容易被忽略的是：Eigen 的特征求解器不提供“自动降级”机制 —— 类型选错，结果就不可信，而且很难 debug。</p></matrixxd>