标签: lapack++

我想解决线性方程组:

 Ax = b

A是n x m矩阵(不是正方形),b和x都是n x 1矢量.在已知A和b的情况下,n约为50-100,m约为2(换句话说,A可以是最大值[100×2]).

我知道解决方案x:$x = \inv(A^T A) A^T b$

我找到了几种方法来解决它:uBLAS(Boost),Lapack,Eigen等等但我不知道使用这些包的'x'的CPU计算时间有多快.我也不知道这个数字是否快速为什么解决'x'

对我来说重要的是,由于我是新手,CPU计算时间尽可能短,文档也很好.

在求解正规方程后,Ax = b我想使用回归来改进我的近似,并且可能稍后应用卡尔曼滤波器.

我的问题是哪个C++库是robuster,并且我在上面描述的需求更快？

我想使用 lapack 并为其制作 C++ 矩阵包装器，但 lapack 是用 Fortran 编写的，有一些 clapack 但我想从源代码使用它。首先将 *.f 和 *.cpp 文件编译为目标文件，然后将其链接到应用程序中。

我拥有以下应用程序和来源。

• Visual Studio 教授版、dev c++、ultimate++、mingw 等等
• g95 和 gfortran（在 mingw 下）编译器
• lapack（最新来源）
• blas（包含在 lapack 中）

我该如何申请，请帮忙...

我的操作系统是 Windows 7 和 CPU Core2Duo，并且我没有 Intel 数学内核

我是C ++编程的新手，但我有一个任务是为尺寸很大的矩阵计算对称矩阵（和Hermitian）的特征值和特征向量（标准本征问题Ax = lx））：Binomial（L，L / 2）其中L大约是18-22岁。现在，我正在具有7.7 GB可用内存的机器上对其进行测试，但最终我将可以访问具有64GB RAM的PC。

我从Lapack ++开始。一开始，我的项目假设仅针对对称实矩阵解决此问题。

这个图书馆很棒。非常快速且占用少量RAM。它具有计算特征向量并将其放置在输入矩阵A中的选项，以节省内存。有用！我以为Lapack ++ eigensolver可以处理Hermitian矩阵，但是由于未知的原因而不能（也许我做错了）。我的项目不断发展，对于埃尔米特矩阵，我也应该能够计算出这个问题。

因此，我尝试将库更改为Armadillo库。它可以正常工作，但是不如Lapack ++取代mat Aall eigenvec，但它当然支持埃尔米特矩阵。

L = 14的一些统计

• Lapack ++ RAM 126MB时间7.9s本征+本征向量

• 犰狳 RAM 216MB时间12s本征

• Armadillo RAM 396MB时间15s本征值+本征向量

让我们做一些计算：double变量大约是8B。我的矩阵的大小为 binomial（14,7）= 3432，因此在理想情况下它应具有3432 ^ 2 * 8/1024 ^ 2 = 89 MB。

我的问题是：是否可以修改或强制Armadillo像Lapack ++一样做一个不错的技巧？犰狳的用法LAPACK和BLAS例程。或者，也许有人可以推荐使用另一个库解决此问题的另一种方法？ …

首先，我是 C++ 新手。

我正在为我的硕士论文编写一个程序，其中一部分假设以递归方式解决回归问题。

我想解决：

Ax = y

就我而言，计算速度不可忽视，这就是我想知道 Boost::BLAS 是否使用

x = (A^T A)^{-1}A^Ty

需要比 Lapackpp 更少的计算时间（我使用的是 gentoo）。

PS 我能够在 Lapackpp 项目站点找到类文档，但找不到示例。有人可以给我提供一些例子，以防 Lapack 比 Boost::BLAS 更快吗

谢谢