Optimization 特征值：仅对具有自伴视图的上部进行计算和增量？

我这样做是为了：

bMRes += MatrixXd(n, n).setZero()
.selfadjointView<Eigen::Upper>().rankUpdate(bM);

bMRes+=MatrixXd（n，n）.setZero（）
.selfadjointView（）.rankUpdate（bM）；

这使我得到了

bMRes

的增量，增量是

bM*bM.transpose（）

的两倍。 请注意，

bMRes

和

bM

属于

Map

类型

为了进一步优化，我想跳过下半部分的复制（和增量）。 换句话说，我只想计算和写上面的部分。 同样，换句话说，我希望我的结果在上半部分，0在下半部分

如果不够清楚，请随时提问

提前谢谢

---

Florian

如果您的

bMRes

最初是自伴的，您可以使用以下代码，它只更新

bMRes

的上半部分

bMRes.selfadjointView<Eigen::Upper>().rankUpdate(bM);

bMRes.selfadjointView（）.rankUpdate（bM）；

如果没有，我认为您必须接受

。selfadjointView（）

在分配给

矩阵xd

时，将始终复制另一半

与

A*A.transpose（）

或

.rankUpdate（A）

相比，当

A

相当大时，复制

A

一半的成本可以忽略。所以我想您不需要进一步优化代码

---

如果您只想评估差异，可以使用低级BLASAPI

A*A.transpose（）

相当于，并且

.rankUpdate（A）

相当于，但是

syrk（）

不会自动复制另一半。

如果你的

bMRes

最初是自伴的，你可以使用下面的代码，它只更新

bMRes

的上半部分

bMRes.selfadjointView<Eigen::Upper>().rankUpdate(bM);

bMRes.selfadjointView（）.rankUpdate（bM）；

如果没有，我认为您必须接受

。selfadjointView（）

在分配给

矩阵xd

时，将始终复制另一半

与

A*A.transpose（）

或

.rankUpdate（A）

相比，当

A

相当大时，复制

A

一半的成本可以忽略。所以我想您不需要进一步优化代码

---

如果您只想评估差异，可以使用低级BLASAPI

A*A.transpose（）

相当于，而且

rankUpdate（A）

相当于，但是

syrk（）

不会自动复制另一半。

比什么快一倍？直接计算

bM*bM.transpose（）

因为它知道结果是对称矩阵，然后只复制下半部分。速度是什么的两倍？直接计算

bM*bM.transpose（）

因为它知道结果是对称矩阵，然后只复制下半部分。您好@kangshiyin，谢谢您的回复。首先，MatrixXd:：Zero（n，n）不适合我。其次，我有一个错误：错误：“类特征：：SelfAdjointView”没有名为“triangularView”的成员@F.Privé我更改了我的答案。

bMRes.SelfAdjointView（）.rankUpdate（bM）似乎有效。我确信我已经试过了，奇怪。谢谢你的帮助。你好@kangshiyin，谢谢你的回复。首先，MatrixXd:：Zero（n，n）不适合我。其次，我有一个错误：错误：“类特征：：SelfAdjointView”没有名为“triangularView”的成员@F.Privé我更改了我的答案。
bMRes.SelfAdjointView（）.rankUpdate（bM）似乎有效。我确信我已经试过了，奇怪。谢谢你的帮助。