Julia中矩阵与向量高效叉积实现及N行矩阵通用方法

方法一：矩阵乘法（BLAS优化，适配大规模矩阵） #

叉乘cross(a, v)可转化为行向量a与向量v的反对称矩阵的乘积，这种方式依托BLAS优化，性能最优，适合处理大尺寸矩阵。

# 生成3维向量的反对称矩阵
function antisymmetric(v::AbstractVector)
    @assert length(v) == 3 "仅支持3维向量的反对称矩阵构造"
    return [0.  -v[3]  v[2];
            v[3]  0.  -v[1];
           -v[2] v[1]  0.]
end

# 输入示例
A = [1. 2. 3.; 4. 5. 6.]
v = [0.1, 0.2, 0.4]

# 计算结果
result = A * antisymmetric(v)

运行后得到的结果矩阵为：

2×3 Matrix{Float64}:
 0.2  -0.1   0.0
 0.8  -1.0   0.3

（注：原提问中的预期结果第二列数值存在笔误，正确结果应为-1.0）

方法二：迭代器堆叠（代码简洁，适配中小规模矩阵） #

通过eachrow遍历矩阵行，结合广播和堆叠操作实现，代码更直观：

# 输入示例
A = [1. 2. 3.; 4. 5. 6.]
v = [0.1, 0.2, 0.4]

# Julia 1.9+ 推荐写法
result = stack(cross(row, v) for row in eachrow(A))'

# 兼容旧版本Julia的写法
result = reduce(vcat, transpose.(cross.(eachrow(A), Ref(v))))

推广到N行矩阵 #

两种方案均天然支持任意行数N的3列矩阵A：

• 矩阵乘法方案：只要A是N×3维度，A * antisymmetric(v)会直接输出N×3的结果矩阵，每行对应原矩阵行与v的叉乘结果。
• 迭代器堆叠方案：eachrow(A)会遍历所有N行，最终自动堆叠为N×3的结果矩阵。

前提条件：矩阵A必须为3列（每行是3维向量），向量v必须为3维，这是叉乘cross的固有要求。

内容的提问来源于stack exchange，提问作者CrisPlusPlus