如何用Eigen实现矩阵行与对应列乘积的循环向量化替代逐元素循环

你需要的是对矩阵A的每一行和矩阵B的对应列做点积，将结果存入D的对应行。你尝试的rowwise()+colwise()广播方式不可行，因为Eigen没有为这种广播组合定义对应的乘法运算符。

解决方案 #

• 方法一：利用矩阵乘法的主对角线
  A * B的(i,i)位置元素恰好是A.row(i)和B.col(i)的点积，因此可以直接取结果矩阵的主对角线：

  Eigen::Matrix<N, 1> D = (A * B).diagonal();
  

  注意：该方法会生成一个N×N的中间矩阵，当N很大时会占用大量内存，可能影响性能。

• 方法二：高效的逐行点积（推荐）
  将B转置后，用rowwise().dot()对A的每一行和转置后B的对应行做逐行点积，无需生成大的中间矩阵：

  Eigen::Matrix<N, 1> D = A.rowwise().dot(B.transpose());
  

  这种方式内存开销仅为O(N)，且能充分利用Eigen的向量化优化，适合N较大的粒子滤波器场景。

两种方法都能完全替代你原有的循环逻辑，实现向量化加速。

内容的提问来源于stack exchange，提问作者rocklegend