C++ 的 Eigen 类库学习
一、Eigen 是什么
Eigen 是一个 C++ 中的用于科学计算（矩阵）的类库，提供了非常方便的接口，最近我们小组需要做一个项目，里面涉及到很多的矩阵的计算，于是我打算使用这个类库结合我的 CLion 写代码
二、如何配置
下载最新的 release 安装包 解压到项目的目录下（当然任何目录都可以，我习惯上解压到项目的目录下，这样比较方便管理），然后我们配置我们的 CMakeLists.txt
CMakeLists.txt
cmake_minimum_required(VERSION 3.10)
project(juzhen)
set(CMAKE_CXX_STANDARD 11)
include_directories(../eigen)//这里写你的解压目录
add_executable(juzhen main.cpp)
main.cpp
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main() {
typedef Matrix<int,3,3> hh;
MatrixXd m = MatrixXd::Random(3,3);
//m = (m + MatrixXd::Constant(3,3,1.2)) * 50;
MatrixXd c = MatrixXd::Constant(3,3,1)*10;
hh x;
cout << "m =" << endl << m << endl;
cout << "c =" << endl << c << endl;
cout << "x =" << endl << x << endl;
}
这样就能运行啦
三、Eigen 基础
1.Matrix 类
1.基本：
在Eigen中，所有矩阵和向量都是Matrix模板类的对象。向量只是矩阵的一种特殊情况，有1行或1列。
Matrix的三个必需模板参数是：
Matrix <typename Scalar，int RowsAtCompileTime，int ColsAtCompileTime>
例如： Matrix4f是浮动的4x4矩阵
typedef Matrix <float，4,4> Matrix4f ;
假如：我想生成一个 int 型的 3x3 的矩阵
示例代码：
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main() {
typedef Matrix<int,3,3> hh;
hh x;
cout << "x =" << endl << x << endl;
}
结果：
x =
2001839094 36 0
2001791111 6880932 1275664310
-1 4 6880948
2.向量
向量只是一种特殊的矩阵而已
列向量：
typedef Matrix <float，3,1> Vector3f ;
行向量：
typedef Matrix <int，1,2> RowVector2i ;
3.动态值
我们当然不满足在编译时就确定矩阵的大小，于是他给我们也提供了对应的方法
例如，便捷typedef MatrixXd，即具有动态大小的双精度矩阵，定义如下：
typedef Matrix <double，Dynamic，Dynamic> MatrixXd ;
同样，我们定义了一个不言自明的typedef VectorXi如下：
typedef Matrix <int，Dynamic，1> VectorXi ;
您可以完美地拥有例如具有动态列数的固定行数，如下所示：
Matrix <float，3，Dynamic>
4.构造函数
默认构造函数始终可用，从不执行任何动态内存分配，也从不初始化矩阵系数。你可以做：
Matrix3f a;
MatrixXf b;
a 是一个3乘3的矩阵，具有未初始化系数的普通浮点数
b 是一个动态大小的矩阵，其大小目前是0乘0，并且其系数数组尚未分配。
注意：
Matrix3i d;
这里代表声明了一个 Int 型的 3x3 的矩阵，也就是说 最后的f 代表的是 float
对于矩阵，始终首先传递行数。对于矢量，只需传递矢量大小。它们使用给定的大小分配系数数组，但不自行初始化系数：
MatrixXf a（10,15）;
VectorXf b（30）;
a 是一个10x15动态大小的矩阵，具有已分配但当前未初始化的系数。
b 是一个大小为30的动态大小向量，具有已分配但当前未初始化的系数
注意：
RowVector2d e(1.0,2.0);
这个代表生成的是一个行向量（不加 row 是列向量）
5.系数访问器
示例代码：
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main()
{
MatrixXd m(2,2);
m(0,0)= 3;
m(1,0)= 2.5;
m(0,1)= -1;
m(1,1)= m(1,0)+ m(0,1);
std :: cout << "这是矩阵m：\n" << m << std :: endl;
VectorXd v(2);
v(0)= 4;
v(1)= v(0) - 1;
std :: cout << "这是向量v:\n" << v << std :: endl;
}
结果：
这是矩阵m：
3 -1
2.5 1.5
这是向量v:
4
3
6.逗号初始化
示例代码：
int main()
{
Matrix3f m;
m << 1,2,3,
4,5,6,
7,8,9;
std :: cout << m <<endl;
}
结果：
1 2 3
4 5 6
7 8 9
7.调整
可以通过rows（），cols（）和size（）检索矩阵的当前大小。这些方法分别返回行数，列数和系数数。调整动态大小矩阵的大小由resize（）方法完成。
示例代码：
int main()
{
MatrixXd m(2,5);
m.resize(4,3);
std :: cout << "矩阵m的大小" << m.rows() << "x" << m.cols()<< std :: endl;
std :: cout << "它有" << m.size()<< "系数" << std :: endl;
VectorXd v(2);
v.resize(5);
std :: cout << "向量v的大小为" << v.size()<< std :: endl;
std :: cout << "作为矩阵,v的大小" << v.rows()<< "x" << v.cols()<< std :: endl;
}
结果：
矩阵m的大小4x3
它有12系数
向量v的大小为5
作为矩阵,v的大小5x1
8.分配和调整大小
这里实际上是个C++ 中等号的重载
Eigen自动调整左侧的矩阵大小，使其与右侧大小的矩阵大小相匹配。例如：
示例代码：
int main()
{
MatrixXf a(2,2);
std :: cout << "a is size " << a.rows() << "x" << a.cols()<< std :: endl;
MatrixXf b(3,3);
a = b;
std :: cout << "a现在大小" << a.rows()<< "x" << a.cols()<< std :: endl;
}
结果:
a is size 2x2
a现在大小3x3
四、矩阵和向量算数
1.加减
二元运算符+如 a+b
二元运算符 - 如 a-b
一元算子 - 如同 -a
复合运算符+ =如 a+=b
复合运算符 - =如 a-=b
注意：
运算符的左值和右值，必须要有相同的类型和相同数量的行列
示例代码：
int main()
{
Matrix2d a;
a << 1,2,
3,4;
MatrixXd b(2,2);
b << 2,3,
1,4;
std :: cout << "a + b = \n" << a + b << std :: endl;
std :: cout << "a - b = \n" << a - b << std :: endl;
std :: cout << "做一个+ = b;" << std :: endl;
a += b;
std :: cout << "现在 a = \n" << a << std :: endl;
Vector3d v(1,2,3);
Vector3d w(1,0,0);
std :: cout << "-v + w - v = \n" << -v + w - v << std :: endl;
}
2.标量的乘除
二元运算符如 matrixscalar
二元运算符如 scalarmatrix
二元运算符/如 matrix/scalar
复合运算符* =如 matrix*=scalar
复合运算符/ =如 matrix/=scalar
示例代码：
int main()
{
Matrix2d a;
a << 1,2,
3,4;
Vector3d v(1,2,3);
std :: cout << "a * 2.5 = \n" << a * 2.5 << std :: endl;
std :: cout << "0.1 * v = \n" << 0.1 * v << std :: endl;
std :: cout << "做v *= 2;" << std :: endl;
v *= 2;
std :: cout << "现在v = \n" << v << std :: endl;
}
结果：
a * 2.5 =
2.5 5
7.5 10
0.1 * v =
0.1
0.2
0.3
做v *= 2;
现在v =
2
4
6
3.转置、共轭、伴随
通过成员函数transpose（），conjugate（）和adjoint（）分别获得矩阵或向量的转置$ a ^ T $，共轭$ \ bar {a} $和伴随（即，共轭转置）。$ a ^ * $$ a $
示例代码：
int main()
{
MatrixXf a = MatrixXf :: Random(2,2);
cout << "这是矩阵a \n" << a << endl;
cout << "这是矩阵a 的转置\n" << a.transpose()<< endl;
cout << "这是矩阵a 的共轭\n" << a.conjugate()<<endl;
cout << "这是矩阵a 的伴随\n" << a.adjoint()<< endl;
}
结果：
这是矩阵a
-0.997497 -0.613392
0.127171 0.617481
这是矩阵a 的转置
-0.997497 0.127171
-0.613392 0.617481
这是矩阵a 的共轭
-0.997497 -0.613392
0.127171 0.617481
这是矩阵a 的伴随
-0.997497 0.127171
-0.613392 0.617481
4.矩阵 - 矩阵和矩阵 - 向量乘法
示例代码：
int main()
{
Matrix2d mat;
mat << 1, 2,
3, 4;
Vector2d u(-1,1), v(2,0);
std::cout << "Here is mat*mat:\n" << mat * mat << std::endl;
std::cout << "Here is mat*u:\n" << mat*u << std::endl;
std::cout << "Here is u^T*mat:\n" << u.transpose()*mat << std::endl;
std::cout << "Here is u^T*v:\n" << u.transpose()*v << std::endl;
std::cout << "Here is u*v^T:\n" << u*v.transpose() << std::endl;
std::cout << "Let's multiply mat by itself" << std::endl;
mat = mat*mat;
std::cout << "Now mat is mat:\n" << mat << std::endl;
}
结果：
Here is mat*mat:
7 10
15 22
Here is mat*u:
1
1
Here is u^T*mat:
2 2
Here is u^T*v:
-2
Here is u*v^T:
-2 -0
2 0
Let's multiply mat by itself
Now mat is mat:
7 10
15 22
五、高级初始化
1.将矩阵进行拼接
请记住，必须先设置大小，然后才能使用逗号初始值设定项
示例代码：
int main()
{
RowVectorXd vec1(3);
vec1 << 1, 2, 3;
std::cout << "vec1 = " << vec1 << std::endl;
RowVectorXd vec2(4);
vec2 << 1, 4, 9, 16;
std::cout << "vec2 = " << vec2 << std::endl;
RowVectorXd joined(7);
joined << vec1, vec2;
std::cout << "joined = " << joined << std::endl;
}
结果：
vec1 = 1 2 3
vec2 = 1 4 9 16
joined = 1 2 3 1 4 9 16
我们可以使用相同的技术来初始化具有块结构的矩阵。
实例代码：
int main()
{
MatrixXf matA(2, 2);
matA << 1, 2, 3, 4;
MatrixXf matB(4, 4);
matB << matA, matA/10, matA/10, matA;
std::cout << matB << std::endl;
}
结果：
1 2 0.1 0.2
3 4 0.3 0.4
0.1 0.2 1 2
0.3 0.4 3 4
更高级的填充：
示例代码：
int main()
{
Matrix3f m;
m.row(0) << 1, 2, 3;
m.block(1,0,2,2) << 4, 5, 7, 8;
m.col(2).tail(2) << 6, 9;
std::cout << m;
}
结果：
1 2 3
4 5 6
7 8 9
2.特殊矩阵
矩阵和数组都有特殊方法 Zero()
示例代码：
int main()
{
std::cout << "A fixed-size array:\n";
Array33f a1 = Array33f::Zero();
std::cout << a1 << "\n\n";
std::cout << "A one-dimensional dynamic-size array:\n";
ArrayXf a2 = ArrayXf::Zero(3);
std::cout << a2 << "\n\n";
std::cout << "A two-dimensional dynamic-size array:\n";
ArrayXXf a3 = ArrayXXf::Zero(3, 4);
std::cout << a3 << "\n";
}
结果：
A fixed-size array:
0 0 0
0 0 0
0 0 0
A one-dimensional dynamic-size array:
0
0
0
A two-dimensional dynamic-size array:
0 0 0 0
0 0 0 0
0 0 0 0
类似地:
1.静态方法Constant（value）将所有系数设置为value。如果需要指定对象的大小，则附加参数将在value参数之前，如MatrixXd::Constant(rows, cols, value)。
2.方法Random（）用随机系数填充矩阵或数组。
3.可以通过调用Identity（）获得单位矩阵; 此方法仅适用于Matrix，而不适用于Array，因为“单位矩阵”是线性代数概念。
4.LinSpaced方法（大小，低，高）仅适用于向量和一维数组;
它产生一个指定大小的向量，其系数在low和之间等间隔high。
Eigen定义了实用函数
如setZero（），MatrixBase :: setIdentity（）和DenseBase :: setLinSpaced（），可以方便地执行此操作。以下示例对比了构造矩阵的三种方法
使用静态方法和赋值，使用静态方法和逗号初始化程序，或使用setXxx（）方法。
示例代码：
int main()
{
const int size = 6;
MatrixXd mat1(size, size);
mat1.topLeftCorner(size/2, size/2) = MatrixXd::Zero(size/2, size/2);
mat1.topRightCorner(size/2, size/2) = MatrixXd::Identity(size/2, size/2);
mat1.bottomLeftCorner(size/2, size/2) = MatrixXd::Identity(size/2, size/2);
mat1.bottomRightCorner(size/2, size/2) = MatrixXd::Zero(size/2, size/2);
std::cout << mat1 << std::endl << std::endl;
MatrixXd mat2(size, size);
mat2.topLeftCorner(size/2, size/2).setZero();
mat2.topRightCorner(size/2, size/2).setIdentity();
mat2.bottomLeftCorner(size/2, size/2).setIdentity();
mat2.bottomRightCorner(size/2, size/2).setZero();
std::cout << mat2 << std::endl << std::endl;
MatrixXd mat3(size, size);
mat3 << MatrixXd::Zero(size/2, size/2), MatrixXd::Identity(size/2, size/2),
MatrixXd::Identity(size/2, size/2), MatrixXd::Zero(size/2, size/2);
std::cout << mat3 << std::endl;
}
结果：
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
3.用作临时对象
静态方法如Zero（）和Constant（）可用于在声明时或在赋值运算符的右侧初始化变量。您可以将这些方法视为返回矩阵或数组; 实际上，它们返回所谓的表达式对象，在需要时可以计算矩阵或数组。
示例代码：
int main()
{
MatrixXd m = MatrixXd::Random(3,3);
m = (m + MatrixXd::Constant(3,3,1.2)) * 50;
cout << "m =" << endl << m << endl;
VectorXd v(3);
v << 1, 2, 3;
cout << "m * v =" << endl << m * v << endl;
}
结果：
m =
10.1251 90.8741 45.0291
66.3585 68.5009 99.5962
29.3304 57.9873 92.284
m * v =
326.961
502.149
422.157
六、数组
1.概念：
Array是一个类模板，采用与Matrix相同的模板参数
Array <typename Scalar，int RowsAtCompileTime，int ColsAtCompileTime>
我们采用的形式是ArrayNt形式的typedef代表一维数组，其中N和t是大小和标量类型。对于二维数组，我们使用ArrayNNt形式的typedef。
下表显示了一些示例：
Array<float,Dynamic,1> ArrayXf
Array<float,3,1> Array3f
Array<double,Dynamic,Dynamic> ArrayXXd
Array<double,3,3> Array33d
2.访问Array中的值
括号运算符被重载以提供对数组系数的写和读访问，就像使用矩阵一样。此外，<<操作符可用于初始化数组（通过逗号初始化程序）或打印它们。
示例代码：
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main() {
ArrayXXf m(2,2);
// assign some values coefficient by coefficient
m(0,0) = 1.0; m(0,1) = 2.0;
m(1,0) = 3.0; m(1,1) = m(0,1) + m(1,0);
// print values to standard output
cout << m << endl << endl;
// using the comma-initializer is also allowed
m << 1.0,2.0,
3.0,4.0;
// print values to standard output
cout << m << endl;
}
结果：
1 2
3 5
1 2
3 4
3.加减
添加和减去两个数组与矩阵相同。如果两个阵列具有相同的大小，则该操作有效，并且以系数方式进行加法或减法。
数组还支持表单的表达式，该表达式为数组中的array + scalar每个系数添加标量。这提供了一种不能直接用于Matrix对象的功能。
示例代码：
#include <Eigen/Dense>
#include <iostream>
using namespace Eigen;
using namespace std;
int main()
{
ArrayXXf a(3,3);
ArrayXXf b(3,3);
a << 1,2,3,
4,5,6,
7,8,9;
b << 1,2,3,
1,2,3,
1,2,3;
// Adding two arrays
cout << "a + b = " << endl << a + b << endl << endl;
// Subtracting a scalar from an array
cout << "a - 2 = " << endl << a - 2 << endl;
}
结果：
a + b =
2 4 6
5 7 9
8 10 12
a - 2 =
-1 0 1
2 3 4
5 6 7
4.数组乘法
首先，当然你可以用一个标量乘以一个数组，这与矩阵的工作方式相同。数组与矩阵根本不同的是，当你将两个数组相乘时。矩阵将乘法解释为矩阵乘积，并且数组将乘法解释为系数乘积。因此，当且仅当它们具有相同的尺寸时，两个阵列可以相乘。
示例代码：
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main() {
ArrayXXf a(2,2);
ArrayXXf b(2,2);
a << 1,2,
3,4;
b << 5,6,
7,8;
cout << "a * b = " << endl << a * b << endl;
}
结果：
a * b =
5 12
21 32
5.其他系数运算
例如，.abs（）方法取每个系数的绝对值，而.sqrt（）计算系数的平方根。如果你有两个相同大小的数组，你可以调用.min（.）来构造数组，其系数是两个给定数组的相应系数的最小值。以下示例说明了这些操作。
示例代码：
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main() {
ArrayXf a = ArrayXf::Random(5);
a *= 2;
cout << "a =" << endl
<< a << endl;
cout << "a.abs() =" << endl
<< a.abs() << endl;
cout << "a.abs().sqrt() =" << endl
<< a.abs().sqrt() << endl;
cout << "a.min(a.abs().sqrt()) =" << endl
<< a.min(a.abs().sqrt()) << endl;
}
结果：
a =
-1.99499
0.254341
-1.22678
1.23496
0.340037
a.abs() =
1.99499
0.254341
1.22678
1.23496
0.340037
a.abs().sqrt() =
1.41244
0.504323
1.1076
1.11129
0.583127
a.min(a.abs().sqrt()) =
-1.99499
0.254341
-1.22678
1.11129
0.340037
七、在数组和矩阵表达式之间转换
什么时候应该使用Matrix类的对象？何时应该使用Array类的对象？您不能对数组应用Matrix运算，也不能对矩阵应用Array运算。因此，如果你需要进行矩阵乘法等线性代数运算，那么你应该使用矩阵; 如果你需要进行系数运算，那么你应该使用数组。但是，有时它并不那么简单，但您需要同时使用Matrix和Array操作。在这种情况下，您需要将矩阵转换为数组或反向转换。无论选择将对象声明为数组还是矩阵，都可以访问所有操作。
矩阵表达式有一个**.array（）方法**，可以将它们“转换”为数组表达式，因此可以轻松应用系数方法。相反，数组表达式具有**.matrix（）方法**。与所有Eigen表达式抽象一样，这没有任何运行时成本（假设您让编译器进行优化）。即.array（）和.matrix（）可被用作右值和作为左值。
Eigen禁止在表达式中混合矩阵和数组。例如，您无法直接添加矩阵和数组; 该规则的例外是赋值运算符：允许将矩阵表达式赋给数组变量，或者将数组表达式赋给矩阵变量。
以下示例说明如何通过使用.array（）方法对Matrix对象使用数组操作
示例代码1：
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main() {
MatrixXf m(2,2);
MatrixXf n(2,2);
MatrixXf result(2,2);
m << 1,2,
3,4;
n << 5,6,
7,8;
result = m * n;
cout << "-- Matrix m*n: --" << endl << result << endl << endl;
result = m.array() * n.array();
cout << "-- Array m*n: --" << endl << result << endl << endl;
result = m.cwiseProduct(n);
cout << "-- With cwiseProduct: --" << endl << result << endl << endl;
result = m.array() + 4;
cout << "-- Array m + 4: --" << endl << result << endl << endl;
}
结果：
-- Matrix m*n: --
19 22
43 50
-- Array m*n: --
5 12
21 32
-- With cwiseProduct: --
5 12
21 32
-- Array m + 4: --
5 6
7 8
类似地，如果array1和array2是数组，那么表达式array1.matrix() * array2.matrix()计算它们的矩阵乘积。
示例代码2：
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main() {
MatrixXf m(2,2);
MatrixXf n(2,2);
MatrixXf result(2,2);
m << 1,2,
3,4;
n << 5,6,
7,8;
result = (m.array() + 4).matrix() * m;
cout << "-- Combination 1: --" << endl << result << endl << endl;
result = (m.array() * n.array()).matrix() * m;
cout << "-- Combination 2: --" << endl << result << endl << endl;
}
结果：
-- Combination 1: --
23 34
31 46
-- Combination 2: --
41 58
117 170
求矩阵的行列式
八、实例应用
1. 求矩阵的行列式
m.determinant()
**注意:**矩阵m要是double 类型，要不然报错
下面是我写的一个生成 32x32 位 01 可逆矩阵的类，这里面我在生成32位矩阵的时候使用的是矩阵的拼接技术，但是这样就会出现大量的数组，并且不能用循环实现，很尴尬。
示例代码：
#include <iostream>
#include <Eigen/Dense>
#include <cstdlib>
#include <ctime>
#include <cmath>
using namespace Eigen;
using namespace std;
typedef Matrix <double,32,32> Matrix32d;
class cM32{
public:
Matrix32d create(){//返回一个可逆的32x32 随机 01 矩阵
Matrix32d m = createPT32();
if(check(m)) {
cout << "可逆 " << "行列式为： " << m.determinant() << endl;
return m;
}else{
cout << "不可逆" << endl;
create();
}
}
private:
Matrix32d createPT32(){//创建一个随机的32x32 的01矩阵
Matrix32d m5;
Matrix2d* arrayM = new Matrix2d[256];
for(int i=0;i<256;i++){
arrayM[i] = create2();
}
m5 << arrayM[0], arrayM[1], arrayM[2], arrayM[3], arrayM[4], arrayM[5], arrayM[6], arrayM[7], arrayM[8], arrayM[9], arrayM[10], arrayM[11], arrayM[12], arrayM[13], arrayM[14], arrayM[15], arrayM[16],
arrayM[17], arrayM[18], arrayM[19], arrayM[20], arrayM[21], arrayM[22], arrayM[23], arrayM[24], arrayM[25], arrayM[26], arrayM[27], arrayM[28], arrayM[29], arrayM[30], arrayM[31], arrayM[32],
arrayM[33], arrayM[34], arrayM[35], arrayM[36], arrayM[37], arrayM[38], arrayM[39], arrayM[40], arrayM[41], arrayM[42], arrayM[43], arrayM[44], arrayM[45], arrayM[46], arrayM[47], arrayM[48],
arrayM[49], arrayM[50], arrayM[51], arrayM[52], arrayM[53], arrayM[54], arrayM[55], arrayM[56], arrayM[57], arrayM[58], arrayM[59], arrayM[60], arrayM[61], arrayM[62], arrayM[63], arrayM[64],
arrayM[65], arrayM[66], arrayM[67], arrayM[68], arrayM[69], arrayM[70], arrayM[71], arrayM[72], arrayM[73], arrayM[74], arrayM[75], arrayM[76], arrayM[77], arrayM[78], arrayM[79], arrayM[80],
arrayM[81], arrayM[82], arrayM[83], arrayM[84], arrayM[85], arrayM[86], arrayM[87], arrayM[88], arrayM[89], arrayM[90], arrayM[91], arrayM[92], arrayM[93], arrayM[94], arrayM[95], arrayM[96],
arrayM[97], arrayM[98], arrayM[99], arrayM[100], arrayM[101], arrayM[102], arrayM[103], arrayM[104], arrayM[105], arrayM[106], arrayM[107], arrayM[108], arrayM[109], arrayM[110], arrayM[111],
arrayM[112], arrayM[113], arrayM[114], arrayM[115], arrayM[116], arrayM[117], arrayM[118], arrayM[119], arrayM[120], arrayM[121], arrayM[122], arrayM[123], arrayM[124], arrayM[125], arrayM[126],
arrayM[127], arrayM[128], arrayM[129], arrayM[130], arrayM[131], arrayM[132], arrayM[133], arrayM[134], arrayM[135], arrayM[136], arrayM[137], arrayM[138], arrayM[139], arrayM[140], arrayM[141],
arrayM[142], arrayM[143], arrayM[144], arrayM[145], arrayM[146], arrayM[147], arrayM[148], arrayM[149], arrayM[150], arrayM[151], arrayM[152], arrayM[153], arrayM[154], arrayM[155], arrayM[156],
arrayM[157], arrayM[158], arrayM[159], arrayM[160], arrayM[161], arrayM[162], arrayM[163], arrayM[164], arrayM[165], arrayM[166], arrayM[167], arrayM[168], arrayM[169], arrayM[170], arrayM[171],
arrayM[172], arrayM[173], arrayM[174], arrayM[175], arrayM[176], arrayM[177], arrayM[178], arrayM[179], arrayM[180], arrayM[181], arrayM[182], arrayM[183], arrayM[184], arrayM[185], arrayM[186],
arrayM[187], arrayM[188], arrayM[189], arrayM[190], arrayM[191], arrayM[192], arrayM[193], arrayM[194], arrayM[195], arrayM[196], arrayM[197], arrayM[198], arrayM[199], arrayM[200], arrayM[201],
arrayM[202], arrayM[203], arrayM[204], arrayM[205], arrayM[206], arrayM[207], arrayM[208], arrayM[209], arrayM[210], arrayM[211], arrayM[212], arrayM[213], arrayM[214], arrayM[215], arrayM[216],
arrayM[217], arrayM[218], arrayM[219], arrayM[220], arrayM[221], arrayM[222], arrayM[223], arrayM[224], arrayM[225], arrayM[226], arrayM[227], arrayM[228], arrayM[229], arrayM[230], arrayM[231],
arrayM[232], arrayM[233], arrayM[234], arrayM[235], arrayM[236], arrayM[237], arrayM[238], arrayM[239], arrayM[240], arrayM[241], arrayM[242], arrayM[243], arrayM[244], arrayM[245], arrayM[246],
arrayM[247], arrayM[248], arrayM[249], arrayM[250], arrayM[251], arrayM[252], arrayM[253], arrayM[254], arrayM[255];
return m5;
}
Matrix2d create2(){//创建 2x2 的01随机矩阵
Matrix2d m1;
m1(0,0) = rand()%2;
m1(1,0) = rand()%2;
m1(0,1) = rand()%2;
m1(1,1) = rand()%2;
return m1;
}
int check(Matrix32d m){//检查是不是可逆的
if(fabs(m.determinant())){
return 1;
}else{
return 0;
}
}
};
int main(){
srand((unsigned int)time(NULL));
cM32 *m = new cM32;
for(int i=0;i<1000;i++){
m->create();
}
}
C++ 的 Eigen 类库学习
http://k0rz3n.com/2018/10/12/C++ 的 Eigen 类库学习/