矩阵链乘法(Matrix Chain Multiplication)问题是动态规划中的经典问题之一。该问题的核心目标是在给定的矩阵链中,找到一种最优的乘法顺序,使得计算矩阵乘积的标量乘法次数最小。
1. 问题描述
给定一个矩阵链 (A1,A2,...,An),要求计算从第一个矩阵 A1 到最后一个矩阵 An 的乘积 A1×A2×...×An。矩阵乘法的运算具有结合性,但不具有交换性,因此可以通过改变矩阵相乘的顺序来优化计算量。
例如:
- 对于三个矩阵 A1、A2 和 A3,可以有两种乘法顺序:
- (A1×A2)×A3
- A1×(A2×A3)
每种不同的乘法顺序,其计算代价不同,计算代价取决于矩阵的维数。
2. 矩阵乘法的计算代价
矩阵 A 的维数为 p×q,矩阵 B的维数为 q×r,则矩阵乘法 A×B 的计算代价为 p×q×r 次标量乘法。
因此,矩阵链乘法的计算代价依赖于矩阵相乘的顺序,不同的乘法顺序可能导致不同的总计算代价。
3. 动态规划解法思路
对于矩阵链 A1,A2,...,An,我们用 p[]
表示矩阵的维数,其中:
- 矩阵 A1A_1A1 的维数为 p0×p1
- 矩阵 A2A_2A2 的维数为 p1×p2
- ...
- 矩阵 An 的维数为 pn−1×pn
动态规划的核心思路:
- 定义一个二维数组
m[i][j]
,表示计算矩阵链 Ai×Ai+1×...×Aj的最少标量乘法次数。 - 我们希望通过不同的分割方式,将矩阵链问题分解为多个子问题。
- 每个子问题通过最优子结构解法来构造原问题的最优解。
状态转移方程:
m[i][j]=i≤k<jmin{m[i][k]+m[k+1][j]+pi−1×pk×pj}
其中:
- m[i][k] 是矩阵链 Ai×Ai+1×...×Ak 的最优乘法次数
- m[k+1][j] 是矩阵链 Ak+1×...×Aj的最优乘法次数
- pi−1×pk×pj 是将两部分矩阵相乘的代价
初始条件:
- 如果 i==j,则
m[i][i] = 0
,因为只有一个矩阵时不需要任何乘法操作。
4. 动态规划解法代码实现
下面是使用动态规划求解矩阵链乘法的 Java 代码:
public class MatrixChainMultiplication {
// 矩阵链乘法的动态规划方法
public static int matrixChainOrder(int[] p) {
int n = p.length - 1; // 矩阵数量
int[][] m = new int[n][n]; // 存储最少计算次数的表
// 初始化对角线,即一个矩阵乘法的计算次数为0
for (int i = 0; i < n; i++) {
m[i][i] = 0;
}
// l是链的长度,从2开始
for (int l = 2; l <= n; l++) {
for (int i = 0; i < n - l + 1; i++) {
int j = i + l - 1;
m[i][j] = Integer.MAX_VALUE; // 先初始化为最大值
// 计算m[i][j]的最优分割点
for (int k = i; k < j; k++) {
// 计算m[i][k] + m[k+1][j] + 乘法代价
int q = m[i][k] + m[k+1][j] + p[i] * p[k+1] * p[j+1];
if (q < m[i][j]) {
m[i][j] = q;
}
}
}
}
// 返回最终计算的最少乘法次数
return m[0][n-1];
}
public static void main(String[] args) {
// 示例维度数组,表示三个矩阵 A1(10x30), A2(30x5), A3(5x60)
int[] p = {10, 30, 5, 60};
System.out.println("Minimum number of multiplications is " + matrixChainOrder(p));
}
}
5. 代码详解
5.1 输入与输出
- 输入是一个整数数组
p[]
,它表示矩阵的维数。其中p[i]
表示第i
个矩阵的行数,p[i+1]
表示第i
个矩阵的列数。 - 输出是最少的标量乘法次数。
5.2 核心步骤
- 初始化:
m[i][i] = 0
,表示单个矩阵不需要乘法。 - 递推求解:通过循环链的长度
l
,逐步求解最优的矩阵链乘法顺序。 - 分割矩阵链:对于每个子问题,通过不同的分割点
k
,计算分割后的两个部分各自的最优解,最后加上两个部分合并的代价。
5.3 时间复杂度
- 时间复杂度:
O(n^3)
,其中n
是矩阵的个数。因为我们需要计算所有可能的子问题,并对每个子问题进行分割和计算。 - 空间复杂度:
O(n^2)
,需要一个二维数组m[][]
来存储中间计算结果。
6. 举例说明
示例:
假设有 3 个矩阵 A1、A2、A3,其维数分别为 10×30、30×5、5×60,
即 p[] = {10, 30, 5, 60}
。
-
方案 1:先计算 A1×A2,再与 A3 相乘。
- 计算 A1×A2 的代价:10×30×5=1500
- 计算 A3×(A1×A2)的代价:10×5×60=3000
- 总代价:1500+3000=4500
-
方案 2:先计算 A2×A3,再与 A1 相乘。
- 计算 A2×A3的代价:30×5×60=9000
- 计算 A1×(A2×A3) 的代价:10×30×60=18000
- 总代价:9000+18000=27000
从计算中可以看到,方案 1 比 方案 2 的代价小得多,选择方案 1 是最优的。
7. 总结
矩阵链乘法问题通过动态规划求解,避免了枚举所有可能的乘法顺序。其主要思想是将问题分解为多个子问题,并通过最优子结构的递归解法,找到最小的矩阵乘法次数。这一算法在计算机图形学、科学计算和数据库查询优化中有广泛应用。