【408考研】数据结构 ——数组与特殊矩阵

CS@zeny

已于 2022-09-22 12:39:56 修改

阅读量1.7k

点赞数 2

分类专栏： 408考研笔记数据结构文章标签：矩阵数据结构

于 2022-09-21 12:58:15 首次发布

本文链接：https://blog.csdn.net/honorzoey/article/details/126964224

版权

笔记同时被 3 个专栏收录

101 篇文章 10 订阅

订阅专栏

数据结构

9 篇文章 1 订阅

订阅专栏

408考研

5 篇文章 3 订阅

订阅专栏

数组与特殊矩阵

文章目录

数组与特殊矩阵

数组

定义：由 $n$ 个相同类型的数据元素构成有限序列，每个数据元素称为一个数组元素，每个元素在 $n$ 个线性关系中的序号称为该元素的下标，下标的取值范围称为数组的维界。
数组与线性表的关系：数组是线性表的推广
- 一维数组：可视为线性表
- 二维数组：可视为其元素是定长线性表的线性表

位序和下标的区别：下标从0开始，位序从1开始。

数组的存储结构

一个数组的所有元素在内存中占一段连续的存储空间
一维数组 $\dots n-1]$ 的存储结构关系式: $LOC(a_i)=LOC(a_0)+ i \times L (0\le i < n )$ , 其中 $L$ 是每个数组元素所占的存储单元。
多维数组：
- 按行优先：先行后列，先存储行号较小的元素，行号相等先存储列号较小的元素。
  - 存储结构关系式： $LOC(a_{i,j})= LOC(a_{0,0})+[i\times (h_2+1)+j]\times L$
  - 二维数组列下标的范围 $0,h_2]$
- 按列优先：先列后行，先存储列号较小的元素，列号相等先存储行号较小的元素。
  - 存储结构关系式： $LOC(a_{i,j})= LOC(a_{0,0})+[j\times (h_1+1)+i]\times L$
  - 二维数组的行下标的范围 $0,h_1]$
举个栗子 : 二维数组 $A_{2 \times 3} = \left[ \begin{matrix} a_{0,0} & a_{0,1} & a_{0,2} \\ a_{1,0} & a_{1,1} & a_{1,2} \end{matrix} \right]$
- 用一维数组存放 : 以行优先 $\begin{array}{|c|c|c|c|c|c|}\hline { a_{0,0}}&{a_{0,1}}&{ a_{0,2}}&{a_{1,0}}&{a_{1,1}}&{a_{1,2}}\\ \hline \end{array}$
- 用一维数组存放 : 以列优先 $\begin{array}{|c|c|c|c|c|c|}\hline {a_{0,0}}&{a_{1,0}}&{a_{0,1}}&{a_{1,1}}&{a_{0,2}}&{a_{1,2}}\\ \hline \end{array}$

特殊矩阵

一般矩阵： $\left[ \begin{matrix} a_{1,1} & a_{1,2} & \dots & a_{1,n} \\ a_{2,1} & a_{2,2} & \dots & a_{2,n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n,1} & a_{n,2} & \dots & a_{n,n}\end{matrix} \right]$

请添加图片描述

一般矩阵是用二维数组来存储这些数据。

对称矩阵：对于n阶方阵 $\dots n][1 \dots n]$ 中任意一个元素 $a_{i,j}$ 都有 $a_{i,j} = a_{j,i}$ $\le i, j \le n)$ , 则称为对称阵。ps : 方阵都是 $n$ 行 $n$ 列的矩阵
- 举个栗子： $\left[ \begin{matrix}1 & 7 & 8 \\ 7 & 2 & 0 \\ 8 & 0 & 3\end{matrix} \right]$ 关于对角线对称
- 不难发现上三角区和下三角区对应的元素是相同的，如果还用二维数组存放，则会浪费几乎一半的存储空间。为此要压缩对称矩阵，只需存放下三角的元素即可，仅需使用一维数组即可。
- 在一维数组中存放的位置（假设下标为k，k从 $0$ 开始）： $k=\begin{cases} \frac{i(i-1)}{2} +j-1,\quad i \ge j \\ \frac{j(j-1)}{2}+i-1, \quad i<j \end{cases}$
三角矩阵：
- 上三角矩阵: $\left[ \begin{matrix} a_{1,1} & a_{1,2} & \dots & a_{1,n} \\ & a_{2,2} & \dots & a_{2,n} \\ & & \ddots & \vdots \\ & & & a_{n,n}\end{matrix} \right]$
- 下三角矩阵: $\left[ \begin{matrix} a_{1,1} \\ a_{2,1} & a_{2,2} \\ \vdots & \vdots & \ddots \\ a_{n,1} & a_{n,2} & \dots & a_{n,n}\end{matrix} \right]$
- 三角矩阵在内存中的压缩存储形式:
  - 下三角矩阵在一维数组中存放的位置（假设下标为k，k从 $0$ 开始）： $k=\begin{cases} \frac{i(i-1)}{2} +j-1,\quad i \ge j \\ \frac{n(n+1)}{2}, \quad i<j \end{cases}$
  - 上三角矩阵在一维数组中存放的位置（假设下标为k，k从 $0$ 开始）： $k=\begin{cases} \frac{(i-1)(2n-i+2)}{2} +(j-i),\quad i \le j \\ \frac{n(n+1)}{2}, \quad i>j \end{cases}$
三对角矩阵：对角矩阵也叫带状矩阵。
- 对于 $n$ 阶方阵 $A$ 中的任一元素 $a_{i,j}$ , 当 $∣ i - j ∣ > 1$ 时，有 $a_{i,j} = 0$ $\le i ,j \le n )$ 则称为三对角矩阵。
- 三对角矩阵 $=\left[ \begin{matrix} a_{1,1} & a_{1,2} & 0 & 0& 0&0 \\ a_{2,1} & a_{2,2} & a_{2,3} & 0& 0&0 \\ 0 & a_{3,2} & a_{3,3} & a_{3,4} & 0 &0 \\ & & \ddots & \ddots & \ddots & \\ 0 & 0 & 0 & a_{n-1,n-2} &a_{n-1,n-1} & a_{n-1,n} \\ 0 & 0 & 0 & 0 & a_{n,n-1} & a_{n,n} \end{matrix} \right]$
- 三对角矩阵的压缩存储 (用一维数组存放) $\begin{array}{|c|c|c|c|c|c|c|c|c|}\hline {a_{1,1}}&{a_{1,2}}&{a_{2,1}}&{a_{2,2}}&{a_{2,3}}&{\dots}&{a_{n-1,n}}&{a_{n,n-1}}&{a_{n,n}}\\ \hline \end{array}$

注意 : 上述的对称矩阵、三角矩阵和三对角矩阵都是方阵，即都是 $n$ 行 $n$ 列的矩阵。

稀疏矩阵

矩阵中非零元素的个数 $t$ , 相对矩阵元素的个数 $s$ 来说非常少，即 $s >> t$ 的矩阵称为稀疏矩阵。
当稀疏矩阵阶数比较大时，矩阵中的非零元素会相对比较少。若用常规的方法存储稀疏矩阵，非常浪费存储空间，这时仅需要存储非零元素即可。
$\left[ \begin{matrix} 1 & 0 & 0 & 0 \\ 0 & 0 & 2 & 0\\ 0 & 67 & 0 &0 \\ 0 & 0 & 6 & 0 \end{matrix} \right]$ 对应的三元组： $\begin{array}{|c|c|c|}\hline {i}&{j}&{value}\\ \hline {0}&{0}&{1}\\ \hline {1}&{2}&{2} \\ \hline {2}&{1}&{67} \\ \hline {3}&{2}&{6} \\ \hline \end{array}$
- 因为仅需存储非零元素，需要存储非零元素在矩阵中的位置（即行和列）和非零元素的值。
稀疏矩阵的三元组既可以采用数组存储，也可以采用十字链表法存储。