我正在构建一个具有多个（软）约束的稀疏线性系统。我正在将一些用于使用 boost::ublas 构建矩阵的代码转换为 Eigen。boost:ublas 有一种方便的方法来创建具有已知（或估计的）非零数的稀疏矩阵，并且具有相当快的运算符（int row, int col）来更新其元素。
问题如下：
使用 SparseMatrix::setFromTriplets：
我的系统有很多限制。作为一个天真的、“稍微”夸张的例子，假设我有一个 100x100 的稀疏矩阵，有 500 nnz 但有 10 亿个冗余约束（即，非零系数被修改了十亿次）。setFromTriplets 要求我存储 10 亿个系数，其中大部分将被汇总以形成我的 500 个非零系数集。这不是真正有效的，也不是记忆友好的。当然，我可以用 std::map 替换我的 std::vector，并手动执行约束的累积，但这不知何故错过了拥有稀疏矩阵类的要点，而且这也不是有效的。使用 SparseMatrix::insert(i,j,val)：
如果元素已经存在则不起作用。我的问题是能够累积已经存在的系数。using SparseMatrix::coeffRef(i, j):
这确实有效，并且将是我正在寻找的功能。然而，它比 boost::ublas 慢了几个数量级。我很惊讶我没有看到更好的功能。我认为这可能是由于事先不知道非零的数量，并强制进行多次重新分配（这在实践中会发生）。但是，使用 SparseMatrix::reserve() 没有任何效果，因为它是一个仅适用于压缩矩阵的函数（源中的注释在断言之前说““此函数在非压缩模式下没有意义”）.. .. 并且，正如文档所说，“将新元素插入 SparseMatrix 稍后会将其转换为未压缩模式”。
在 Eigen 中构建稀疏矩阵同时仍然能够多次更新其系数的最有效方法是什么？
谢谢
[编辑：示例用例：具有 10 个非零的 10x10 矩阵。为简单起见，矩阵是对角线]
SparseMatrix<double> mat(10, 10);
for (int i=0; i<10; i++) {
for (int j=0; j<1000000; j++) {
mat.coeffRef(i, i) += rand()%10;
}
}
=> 有效，但比 ublas operator() 慢几个数量级（当然，对于更大的矩阵和更现实的设置）。
std::vector<Eigen::Triplet<double> > triplets(10000000);
int k=0;
for (int i=0; i<10; i++) {
for (int j=0; j<1000000; j++) {
triplets[k++] = Eigen::Triplet<double>(i,i,rand()%10);
}
}
SparseMatrix<double> mat(10, 10);
mat.setFromTriplets(triplets.begin(), triplets.end());
=> 不利于记忆...