当前位置: 首页 > article >正文

Java轻量级稀疏矩阵求解SparseLU4J

SparseLU4J

非常轻量的稀疏矩阵LU分解和求解库,无任何依赖,仅仅四个文件,从EJML中移植而来,比EJML更省内存,主要用于GWT项目,也可以使用于其他Java引用。
开源地址GitHub :https://github.com/H-Dynamite/SparseLU4J

注意事项

1、矩阵仅仅支持CSC稀疏矩阵格式

使用方式如下:

初始化矩阵

DMatrixSparseCSC sparseCSC = new DMatrixSparseCSC(3, 3);
double[][] matrix = {
{1, 4, 7},
{2, 5, 8},
{3, 6, 10},
};

for (int i = 0; i < matrix.length; i++) {
    for (int j = 0; j < matrix[i].length; j++) {
        double value = matrix[i][j];
        if (value != 0.0) {
            sparseCSC.set(i, j, value);
        }
    }
}

LU分解

SparseLU sparseLU = new SparseLU();
  //分解
sparseLU.setA(sparseCSC);

求解

double[] b = {1, 2, 0};
sparseLU.solve(b);
System.out.println("求解 b = " + Arrays.toString(b));

http://www.kler.cn/a/227339.html

相关文章:

  • Matomo 访问图形显示异常
  • Linux内核与驱动面试经典“小”问题集锦(1)
  • Ubuntu server如何使用 Daphne + Nginx + supervisor部署 Django
  • MySQL运维实战(5.3) MySQL数据乱码的一些情况
  • 过来人的经验告诉你:程序员去外包与自研公司的区别
  • 计算机视觉中的目标跟踪
  • Linux驱动 SPI子系统
  • mysql-FIND_IN_SET查询优化
  • 从编程中理解:大脑的并行处理与多任务
  • P8598 [蓝桥杯 2013 省 AB] 错误票据--2024蓝桥杯冲刺省一
  • MATLAB矩阵的操作(第一部分)
  • thinkphp6入门(16)-- cache用法总结
  • Python3 交叉编译 numpy pandas scipy scikit-learn
  • 新零售供应链,尝试使用GaussDB链接场与货【华为云GaussDB:与数据库同行的日子】
  • 堪称灾难级攻击的 UDP FLOOD洪水攻击,应该如何防护?
  • Git使用命令大全
  • React16源码: React中处理hydrate的核心流程源码实现
  • React 面试题
  • vue2混入声明组件、交互流程
  • vivado里的LUT、LUTRAM、FF、BRAM、DSP、IO、BUFG、MMCM资源介绍