104矩阵相乘

题目

请编程实现矩阵乘法，并考虑当矩阵规模较大时的优化方法。

思路：

按照矩阵相乘的定义进行， 根据wikipedia上的介绍：两个矩阵的乘法仅当第一个矩阵A的行数和另一个矩阵B的列数相等时才能定义。如A是m×n矩阵，B是n×p矩阵，它们的乘积AB是一个m×p矩阵，它的一个元素其中 1 ≤ i ≤ m, 1 ≤ j ≤ p。

值得一提的是，矩阵乘法满足结合律和分配率，但并不满足交换律，如下图所示的这个例子，两个矩阵交换相乘后，结果变了：

实现如下：

#include<iostream>
using namespace std;


void MulMatrix(int** matrixA, int** matrixB, int** matrixC, int m, int n, int p)
{
	for(int i=0;i<m;i++)
	{
		for(int j=0;j<p;j++)
		{
			matrixC[i][j]=0;
			for(int k=0;k<n;k++)
			{
				matrixC[i][j] += matrixA[i][k] * matrixB[k][j];
			}
		}
	}
}

int main()
{
	int **a,**b,**c;
	a = new int *[2];
	b = new int *[2];
	c = new int *[2];
	
	for(int i=0;i<2;i++)
	{
		a[i] = new int[2];
	}
	for(int j=0;j<3;j++)
	{
		b[j] = new int[3];
	}
	for(int k=0;k<3;k++)
	{
		c[k]= new int[3];
	}
	cout<<"Please put in the matrix A(2*2):"<<endl;
	for(int i=0;i<2;i++)
		for(int j=0;j<2;j++)
			cin>>a[i][j];
	cout<<"Please put in the matrix B(2*3):"<<endl;
	for(int i=0;i<2;i++)
		for(int j=0;j<3;j++)
			cin>>b[i][j];

	MulMatrix(a,b,c,2,2,3);
	for(int i=0;i<2;i++)
	{
		for(int j=0;j<3;j++)
		{
			cout<<c[i][j]<<"	";
		}
		cout<<endl;
	}
	return 0;
}

该方法的时间复杂度是O(n^3)，如果A,B是方阵的话。

利用Strassen算法可以将时间复杂度降到O(n^log7)=O(n^2.807)，具体方法是定义7个变量，将矩阵分解为小矩阵进行相乘相加得到，

如下图，当给定一个两个二维矩阵A B时：

这两个矩阵A B相乘时，我们发现在相乘的过程中，有8次乘法运算，4次加法运算：

1969年，德国的一位数学家Strassen证明O(N^3)的解法并不是矩阵乘法的最优算法，他做了一系列工作使得最终的时间复杂度降低到了O(n^2.80)。

他是怎么做到的呢？还是用上文A B两个矩阵相乘的例子，他定义了7个变量：

如此，Strassen算法的流程如下：

• 两个矩阵A B相乘时，将A, B, C分成相等大小的方块矩阵：

• 可以看出C是这么得来的：

• 现在定义7个新矩阵（读者可以思考下，这7个新矩阵是如何想到的）：

• 而最后的结果矩阵C 可以通过组合上述7个新矩阵得到：

表面上看，Strassen算法仅仅比通用矩阵相乘算法好一点，因为通用矩阵相乘算法时间复杂度是，而Strassen算法复杂度只是 。但随着n的变大，比如当n >> 100时，Strassen算法是比通用矩阵相乘算法变得更有效率。

如下图所示：

根据wikipedia上的介绍，后来，Coppersmith–Winograd 算法把 N* N大小的矩阵乘法的时间复杂度降低到了：，而2010年，Andrew Stothers再度把复杂度降低到了，一年后的2011年，Virginia Williams把复杂度最终定格为：。