数据结构 矩阵基础

概述

矩阵是很多工程领域都需要的数学对象，在数据结构中主要讨论的是如何高效的存储矩阵的元（即矩阵中的元素）。

比如在矩阵的实际应用中，经常出现很多高阶矩阵存在很多相同元素或是0，为了节省空间就可以对其进行压缩，即多元素共享一个存储单元、不对0分配存储单元等。

假如值相同的元素或者零元素在矩阵中分布有一定规律，则称此类矩阵为特殊矩阵；反之则成为稀疏矩阵。下面分别看一下它们如何实现压缩存储。

特殊矩阵

若$n$阶矩阵$A$中的元满足性质：$a_{ij}=a_{ji}|1\le (i,j)\le n$，则称为$n$阶对称矩阵。

对于对称矩阵而言，可以为每一对对称元只分配一个存储空间，这样一来$n^2$个元就被压缩成了$n(n+1)/2$个元的空间中。

我们可以以行序为主序存储其下三角（包括对角线）的元。假设以一维数组$sa[n(n+1)/2]$作为$n$阶对称矩阵$A$的存储结构，则$sa[k]$和矩阵元$a_{ij}$之间存着一一对应关系：
$$k=\{\begin{array}{ll}\frac{i(i-1)}{2}+j-1|& i\ge j\\ \frac{j(j-1)}{2}+i-1|& i<j\end{array}$$
对于任意给定的下标(i,j)，均可在$sa$中找到矩阵元$a_{ij}$。反之，对所有的$k=0,1,2,\dots ,\frac{n(n+1)}{2}-1$ ，都能确定$sa[k]$中的元位于矩阵中的(i,j)。$sa[n(n+1)/2]$可以称为$n$阶对称矩阵$A$的压缩存储。这种存储方法同样可以用于三角矩阵。

稀疏矩阵

稀疏矩阵没有精确的定义，但有一个数值可以计算：

设在$m\times n$的矩阵中有$t$个元素不为零，定$\delta =\frac{t}{mn}$，称$\delta$为矩阵的稀疏因子，通常认为$\delta \le 0.05$时为稀疏矩阵。

对于稀疏矩阵，存储有不同的方式，可以采用三元组($i,j,a_{ij}$)顺序存储或是十字链表等方式。

三元组是用矩阵坐标及该位置元素存储的，即每个三元组对应矩阵中的一个元。有矩阵M如下：
$$M=\left[\begin{array}{cccccc}0& 12& 9& 0& 0& 0\\ 0& 0& 0& 0& 0& 0\\ -3& 0& 0& 0& 0& 14\\ 0& 0& 24& 0& 0& 0\\ 0& 18& 0& 0& 0& 0\\ 15& 0& 0& -7& 0& 0\end{array}\right]$$
则其对应的三元组即为$[(1,2,12),(1,3,12),(3,1,-3),(3,6,14),(4,3,24),(5,2,18),(6,1,15),(6,4,-7)]$。

三元组的缺点在于当矩阵元插入时，可能需要大量的移动操作，因此也有十字链表的方式存储，这样一来就可以避免操作时需要耗费大量时间来移动三元组了，如下图：

图片来自互联网