高斯消元法在C++中需手动实现，标准库不提供现成函数；核心是通过初等行变换将增广矩阵化为简化阶梯形，再回代求解，关键在于主元选取、浮点容差比较、增广列同步处理及解的存在性判定。
高斯消元法在C++里要自己实现，标准库不提供现成函数
标准C++没有 gauss_elimination 或类似接口，必须手写。核心是模拟人手工消元的过程：用行变换把系数矩阵变成上三角矩阵（row echelon form），再回代求解。关键不是“调用什么”，而是控制好主元选取、数值稳定性与边界条件。
常见错误包括：没判断主元是否为0导致除零；浮点数比较直接用 == 0 而不用容差；消元时没同步处理增广矩阵的常数列；忽略无解或无穷多解的情况。
- 使用
std::vector<:vector>></:vector>存储增广矩阵（每行长度 = 变量数 + 1） - 每次选主元时，在当前列从当前行往下找绝对值最大的元素，然后行交换（
pivot strategy） - 消元前先检查该列剩余部分是否全为0（即
fabs(a[i][j]) 对所有 i ≥ k 成立），若是，则秩不足，需记录自由变量 - 设
eps = 1e-9，所有浮点比较都用fabs(x) 判断是否为0
怎么处理无解和无穷多解这两种情况
高斯消元完成后，得看最后一行的形式：[0 0 ... 0 | b]。如果 b != 0（即 fabs(b) > eps），就是矛盾方程，无解；如果 b == 0，这一行全零，说明对应方程冗余，秩
实际编码中不能只看“是否消成了上三角”，必须遍历每一行，统计非零行数（有效方程数）和变量总数。若有效方程数
立即学习“C++免费学习笔记（深入）”；
- 用两个变量分别记录：
rank（系数矩阵秩）、augmented_rank（增广矩阵秩） - 若
augmented_rank > rank→ 无解 - 若
augmented_rank == rank → 无穷多解（n 是未知数个数） - 若
augmented_rank == rank == n→ 唯一解
回代求解时索引容易错，怎么写才不容易越界
消元后矩阵是上三角形式，但未必是严格对角占优——最后一行可能从第 j 列才开始有非零元。所以回代不能简单从 i = n-1 往下倒推，而要为每一行记录其“主元列号”（pivot column），即该行第一个非零元所在列索引。
建议在消元过程中用一个 std::vector<int> pivot_col</int> 记录每行主元列，长度等于有效方程数。回代时按行逆序遍历，对第 i 行，解出 x[pivot_col[i]]，其余非主元变量若未被赋值，就设为0（唯一解情形）或留作自由变量（多解情形）。
- 避免写
for (int i = n-1; i >= 0; i--)直接套用，应先获取实际有效行数m = pivot_col.size() - 计算
x[j]时，确保 j 在[0, n)范围内，且未被前面的主元覆盖 - 回代公式：
x[col] = (b[i] - sum_{k > col} a[i][k] * x[k]) / a[i][col]，注意求和范围是“该行中主元列之后的所有已知变量”
double精度不够时，能换long double或Eigen吗
换 long double 改善有限——多数x86_64平台下它仍是80位扩展精度，且运算慢、ABI不统一，反而增加调试难度。真正提升稳定性的做法是改算法：用部分主元（partial pivoting）已基本够用；要求更高可上QR分解或SVD，但那就不是高斯消元了。
至于 Eigen，它确实有 FullPivLU 和 ColPivHouseholderQR 等稳健求解器，但引入第三方库会改变构建流程，且默认行为不输出秩信息或自由变量标识。如果你只是解小规模稠密方程组（
- 不要为了“省事”直接用
Eigen::MatrixXd::fullPivLu().solve(b)，它静默返回伪逆解，不报无解 - 手写时把消元、秩判定、回代拆成三个独立函数，比堆在一个大函数里更容易验证中间状态
- 测试用例至少覆盖：唯一解、无解（如
x+y=1; x+y=2）、无穷解（如x+y=1; 2x+2y=2）、单变量、零矩阵
实际写的时候，最易被忽略的是：消元过程中某列全零后，你得跳过该列继续找下一列主元，而不是直接认为“这行没主元”就停——否则会把本该是自由变量的列误判为矛盾。这个逻辑分支必须显式处理。
