数学/数论专题-学习笔记：矩阵小记#1

1. 前言

本篇文章是作者学习矩阵时候的一些个人笔记。

由于作者是个高中 OIer，因此并不会涉及到有关线性代数的很多知识，只记录与 OI 有关的矩阵。

这边建议学线性代数的人看一下这篇博文，讲的非常好：理解矩阵（一）（Author：孟岩）。

2. 定义

2.1 向量

讲矩阵之前我们先来讲讲向量。

前置知识：高中数学向量。

向量的英文名是 vector。

由平面向量基本定理可知，任何一个向量都可以被表示成 $a\overrightarrow{e_1}+b\overrightarrow{e_2}$，称这个向量的坐标是 $(a,b)$。这是二维空间内的向量。

现在我们扩展一下，扩展到 $n$ 维向量，同样可以将任意一个向量表示成这样：$\vec{z}=a_1\overrightarrow{e_1}+a_2\overrightarrow{e_2}+...+a_n\overrightarrow{e_n}$。

那么记 $\vec{z}$ 的坐标是 $(a_1,a_2,...,a_n)$。

这就是向量。有没有发现跟一维数组长得很像？

2.2 矩阵

矩阵说白了就是一堆数框起来，就像下面这样：

$$\left[\begin{array}{ccc}2& 3& 4\\ 1& 8& 3\\ 5& 4& 3\end{array}\right]$$

也就是个二维数组，其大小为 $3\times 3$。

当然只是这样理解，会导致在做某些毒瘤题的时候搞不清楚到底要干什么，所以还是要把向量拉进来。

---

理解 1：

从向量的角度看，一个大小为 $n\times m$ 的矩阵实际上就是 $n$ 个 $m$ 维向量的组合。

比如还是上面这个矩阵，就是 $(2,3,4),(1,8,3),(5,4,3)$ 这三个向量的组合。

---

理解 2：

从坐标系的角度看，我们可以认为矩阵描述了一个坐标系。

这个坐标系是 $m$ 维的，该坐标系中的每一个单位向量是一个 $n$ 维向量。

显然对于 $n=m$ 的时候上面这句话是成立的，但是对于 $n\ne m$ 的情况上面这句话同样成立。

为什么？

毕竟向量平移之后是一样的，你完全可以将这 $m$ 个 $n$ 维向量的起点重合，这样这些向量就可以决定这个 $m$ 维空间。

如果不理解，看孟岩的理解矩阵（一）。

当然作为一个 OIer，简单记住矩阵的方式就是矩阵是个二维数组，但是坐标系这个理解方式很有必要，否则你会对矩阵乘法蒙圈的。

矩阵里面有一类特殊的矩阵：单位矩阵 $I$，也就是主对角线上元素为 1，其余为 0 的矩阵，像这样：

$$\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right]$$

3. 运算

3.1 矩阵加/减法

矩阵的加法与减法就是对应元素一一相加/减。

能够相加/减的矩阵大小必须相同，都是 $n\times m$。

比如说下面的矩阵相加减就是个很好的例子：

$$\left[\begin{array}{ccc}2& 4& 8\\ 1& 3& 2\end{array}\right]+\left[\begin{array}{ccc}3& 2& 9\\ 1& 4& 6\end{array}\right]=\left[\begin{array}{ccc}5& 6& 17\\ 2& 7& 8\end{array}\right]$$

$$\left[\begin{array}{ccc}2& 4& 8\\ 1& 3& 2\end{array}\right]-\left[\begin{array}{ccc}3& 2& 9\\ 1& 4& 6\end{array}\right]=\left[\begin{array}{ccc}-1& 2& -1\\ 0& -1& -4\end{array}\right]$$

另外还有一种比较少见的矩阵加法方式是直和，参见百度百科。

矩阵加法是满足交换律与结合律的。

3.2 矩阵乘法

先给一下定义：设两个矩阵 $A,B$，大小分别为 $a\times b,b\times c$，那么 $A$ 乘以 $B$ 的结果是 $C=AB$，其大小为 $a\times c$，$C$ 中每个元素计算方式如下：

$$C_{i,j}=\sum _{i=1}^a\sum _{j=1}^c\sum _{k=1}^b{A}_{i,k}\times b_{k,j}$$

这说明两个矩阵相乘，必须要满足前一个的列数等于后一个的行数。

对于 OIer 而言，更常用的是两个 $n\times n$ 的矩阵相乘。

但是矩阵乘法为什么要这样定义呢？这样定义的意义在哪里？

实际上前面说过矩阵是个坐标系。

因此我们可以认为矩阵乘法 $AB$ 是表示组成 $B$ 的向量们在坐标系 $A$ 下面的一个描述，在 $A$ 的描述下这些向量所组成的矩阵为 $C$。

矩阵乘法满足结合律，但是并不满足交换律。

对于单位矩阵而言，有一个特殊的性质：$IA=I$。

这边给一下矩阵乘法的代码：

struct Matrix
{
    int a[MAXN][MAXN], r, c;
    Matrix operator *(const Matrix &fir)
    {
        Matrix tmp; memset(tmp.a, 0, sizeof(tmp.a));
        tmp.r = r; tmp.c = fir.c;
        for (int i = 1; i <= r; ++i)
            for (int k = 1; k <= c; ++k)
            {
                int t = a[i][k];
                for (int j = 1; j <= fir.c; ++j)
                    { tmp.a[i][j] += t * fir.a[k][j]; tmp.a[i][j] %= m; }
            }
        return tmp;
    }
};

注意上述代码的循环顺序与矩阵乘法定义的循环顺序有所不同，实际上这两者是等价的，而上述代码利用了 Cache 的性质卡常，使得矩阵乘法的常数不至于太大。

4. 总结

• 向量：记 $\vec{z}=a_1\overrightarrow{e_1}+a_2\overrightarrow{e_2}+...+a_n\overrightarrow{e_n}$ 的坐标是 $(a_1,a_2,...,a_n)$，形如一维数组。
• 矩阵：形如二维数组，可以看作是一些向量的组合，也可以看作是一个坐标系。
• 矩阵加/减法：对应元素相加/减。
• 矩阵乘法：设两个矩阵 $A,B$，大小分别为 $a\times b,b\times c$，那么 $A$ 乘以 $B$ 的结果是 $C=AB$，其大小为 $a\times c$，$C$ 中每个元素计算方式如下：
  $$C_{i,j}=\sum _{i=1}^a\sum _{j=1}^c\sum _{k=1}^b{A}_{i,k}\times b_{k,j}$$