具有特征的就地LDLT分解

Question

我正在用非常大的对称矩阵（~800mb）做一些线性代数，我正在尝试几种不同的分解。目前，我正在实现LDLT，我想利用这一点，通过用L^T覆盖矩阵的上三角来将内存需求减半。尽管Eigen的文档没有列出要做这件事的任何方法，但在内部命名空间中有一些隐藏的方法，它们可能会做我想做的事情。

方法可以在以下结构中找到：template<> struct ldlt_inplace<Lower>和template<> struct ldlt_inplace<Upper>http://eigen.tuxfamily.org/dox/LDLT_8h_source.html

这些方法正是我想要的，我说得对吗？我该如何使用它们？我是否应该避免使用它们，因为它们是内部的，因此会被更改和弃用？

Answer 1

内部确实意味着这个函数的原型可能会在未来的版本中发生变化。LDLT:：compute（）方法是关于如何使用它的一个很好的例子：

Transpositions<Dynamic> T(mat.cols());
VectorXd temp(mat.cols());
int sign;
Eigen::internal::ldlt_inplace<Eigen::Lower>::unblocked(mat, T, temp, &sign);

编辑

在特征3.3中，您可以使用LDLT<Ref<MatrixXd> >:

MatrixXd A;
LDLT<Ref<MatrixXd> > ldlt(A);

则CCD_ 4将在CCD_ 6本身内因子分解CCD_。有关详细信息，请参阅文档。