Eigen 初始化矩阵需用模板类（如 MatrixXd），尺寸编译期确定，动态尺寸用 Dynamic；须启用 C++11，避免整数存入 MatrixXd 导致精度丢失，逗号初始化后需调用 .finished()。
如何用 Eigen 初始化矩阵并做基础运算
Eigen 不需要编译安装，头文件直连就能用，但必须确保启用 C++11 或更高标准（-std=c++11）。矩阵对象是模板类，类型和尺寸在编译期确定，动态尺寸用 Dynamic 占位。
常见错误：用 MatrixXd 存整数导致隐式转换丢失精度；或忘记调用 .finished() 在逗号初始化器后。
MatrixXd A(3, 3); A —— 逗号初始化必须成行填满，否则行为未定义-
Vector3d v(1, 2, 3);错误：构造函数不接受参数列表，应写Vector3d v; v - 点乘用
v.dot(u)，叉乘仅对Vector3d支持，用v.cross(u) - 矩阵乘法是
A * B，不是A.dot(B)（后者只对向量有效）
解线性方程组 Ax = b 的三种常用方式
别直接求逆（A.inverse() * b），既慢又数值不稳定。Eigen 提供多个分解策略，选错会导致运行时断言失败或结果偏差大。
场景判断优先级：先看矩阵是否对称正定 → 再看是否小规模（A。
立即学习“C++免费学习笔记（深入）”；
- 普通稠密矩阵（无特殊结构）：用
A.colPivHouseholderQr().solve(b)，鲁棒性强，支持秩亏 - 对称正定矩阵：用
A.llt().solve(b)，速度最快，但输入必须严格满足条件，否则运行时报LLT decomposition failed - 需要反复解不同
b：预分解一次，如auto dec = A.lu();然后循环调用dec.solve(b_i)
计算特征值与特征向量的注意事项
特征分解不是总能成功。实矩阵的特征值可能是复数，而 SelfAdjointEigenSolver 只适用于实对称/复共轭对称矩阵；用错会静默返回错误结果（如全零特征向量）。
区分两个关键类：SelfAdjointEigenSolver（快、稳定、要求对称）和 ComplexEigenSolver（通用但慢、结果含复数）。
- 对称矩阵：必须先确保
A.isApprox(A.transpose())成立，再用SelfAdjointEigenSolver<matrixxd> eig(A);</matrixxd> - 非对称矩阵：用
EigenSolver<matrixxd> eig(A);</matrixxd>，特征值在eig.eigenvalues()中是VectorXcd类型，不能直接取实部 - 提取最大特征向量：别用
eig.eigenvectors().col(0)，索引不按模排序；应遍历eig.eigenvalues()找模最大的下标再取列
性能与内存布局的关键细节
Eigen 默认列优先（column-major），和 Fortran、LAPACK 一致，但和 OpenCV、NumPy 默认行优先相反。混用时若不做拷贝或转置，数据会错位。
大矩阵运算易触发缓存失效，.noalias() 和表达式模板虽自动优化，但显式标注可避免临时对象：
- 避免
C = A * B + C;（产生临时矩阵），改用C.noalias() += A * B; - 从 OpenCV
cv::Mat构造 Eigen 矩阵时，若原图是行优先，必须先.t()或用Map指定RowMajor标签 - 释放大矩阵内存：Eigen 不管理堆内存生命周期，
MatrixXd析构时自动free，但若用Map包装外部内存，别让 Eigen 对象活得比原始内存久
#include <Eigen/Dense>
using namespace Eigen;
int main() {
MatrixXd A = MatrixXd::Random(3,3);
// 正确：对称化后再特征分解
A = (A + A.transpose()) * 0.5;
SelfAdjointEigenSolver<MatrixXd> eig(A);
std::cout << "Eigenvalues:\n" << eig.eigenvalues() << "\n";
return 0;
}
Eigen 的多数问题不出在“会不会写”，而出在“没意识到矩阵性质是否匹配所选求解器”。对称性、正定性、规模、内存布局——这四个点漏掉任何一个，都可能让结果看起来正常却完全错误。
