一.矩阵的定义
由m×n个数aij(i=1,2,……,m;j=1,2,……,n)排成的m行n列的数表
如称为一个m×n的矩阵,记做A=
简记做A=Am×n=(aij)m×n
其中的m×n个数称为A的元素,简称为元。
二.矩阵乘法
定义:Am×s与Bs×n的乘积是一个m×n的矩阵Cm×n
其中cij=ai1b1j+ai2b2j+ai3b3j+……+aisbsj
=aikbkj(k∈(1,s))
记做C=AB称“AB”为“以A左乘B”或“以B右乘A”,
如
其中c11=a11b11+a12b21+a13b31
c12=a11b12+a12b22+a13b32
三.矩阵运算律
结合律:(AB)C=A(BC)
分配律:(A+B)C=AC+BC
C(A+B)=CA+CB
注:矩阵运算并不满足交换律,AB与BA不等价
若A为m×s矩阵,B为s×n矩阵,则AB为m×n矩阵
而BA无法进行矩阵乘法运算;即便是方阵(n×n)交换后乘得的结果也不一定相同,除了相当特殊的,例如每个元素都是1的方阵
四.矩阵与线性递推
线性递推方程即形如fn=a1fn-1+a2fn-2+……+aifn-i的方程
以斐波那契数列为例an=an-1+an-2
我们的目的是通过矩阵乘法,求得斐波那契数列的第n项,为了得到这个结果,我们还需要由[an-2an-1]推得[an-1an]
我们设[an-2an-1]为矩阵A,因为A1×2B2×2=C1×2,所以C与A是同规模的矩阵
[an-2an-1]= [an-1an]
一般的对于线性递推方程fn=a1fn-1+a2fn-2+……+aifn-i
可以建立B=
设A=[f1f2f3…… fi],则由ABB……B(k个B)即可得到fi+k
{这个自行手模一下就可以发现规律}
五.利用矩阵乘法优化递推
原理:①快速幂②矩阵乘法满足结合律
如AB7=AB4B2B AB19=AB16B2B
快速幂的有关知识不清楚的请自行检索
这样可以令每一步运算都得到最大限度利用
理论上可以由普通递推的O(n)降至O(logn)当然矩阵越大,花在矩阵乘法中的时间就越长,时间效率也会低些
矩阵的快速幂是用来高效地计算矩阵的高次方的。将朴素的o(n)的时间复杂度,降到log(n)。
这里先对原理(主要运用了矩阵乘法的结合律)做下简单形象的介绍:
一般一个矩阵的n次方,我们会通过连乘n-1次来得到它的n次幂。
但做下简单的改进就能减少连乘的次数,方法如下:
把n个矩阵进行两两分组,比如:A*A*A*A*A*A => (A*A)*(A*A)*(A*A)这样变的好处是,你只需要计算一次A*A,然后将结果(A*A)连乘自己两次就能得到A^6,即(A*A)^3=A^6。算一下发现这次一共乘了3次,少于原来的5次。
其实大家还可以取A^3作为一个基本单位。原理都一样:利用矩阵乘法的结合律,来减少重复计算的次数。
以上都是取一个具体的数来作为最小单位的长度,这样做虽然能够改进效率,但缺陷也是很明显的,取个极限的例子(可能有点不恰当,但基本能说明问题),当n无穷大的时候,你现在所取的长度其实和1没什么区别。所以就需要我们找到一种与n增长速度”相适应“的”单位长度“,那这个长度到底怎么去取呢???这点是我们要思考的问题。
有了以上的知识,我们现在再来看看,到底怎么迅速地求得矩阵的N次幂。既然要减少重复计算,那么就要充分利用现有的计算结果咯!~怎么充分利用计算结果呢???这里考虑二分的思想。。
大家首先要认识到这一点:任何一个整数N,都能用二进制来表示。。这点大家都应该知道,但其中的内涵真的很深很深(这点笔者感触很深,在文章的最后,我将谈谈我的感想)!!
计算机处理的是离散的信息,都是以0,1来作为信号的处理的。可想而知二进制在计算机上起着举足轻重的地位。它能将模拟信号转化成数字信号,将原来连续的实际模型,用一个离散的算法模型来解决。好了,扯得有点多了,不过相信这写对下面的讲解还是有用的。
回头看看矩阵的快速幂问题,我们是不是也能把它离散化呢?比如
A^19 =>(A^16)*(A^2)*(A^1),显然采取这样的方式计算时因子数将是log(n)级别的(原来的因子数是n),不仅这样,因子间也是存在某种联系的,比如A^4能通过(A^2)*(A^2)得到,A^8又能通过(A^4)*(A^4)得到,这点也充分利用了现有的结果作为有利条件。下面举个例子进行说明:
现在要求A^156,而156(10)=10011100(2)
也就有A^156=>(A^4)*(A^8)*(A^16)*(A^128)考虑到因子间的联系,我们从二进制10011100中的最右端开始计算到最左端。细节就说到这,下面给核心代码:
1while(n)
2 {
3 if(n&1)
4 res=res*A;
5 n>>=1;
6 A=A*A;
7 }
里面的乘号,是矩阵乘的运算,res是结果矩阵。第3行代码每进行一次,二进制数就少了最后面的一个1。二进制数有多少个1就第3行代码就执行多少次。好吧,矩阵快速幂的讲解就到这里吧。在文章我最后给出我实现快速幂的具体代码(代码以3*3的矩阵为例)。
现在我就说下我对二进制的感想吧:
我们在做很多”连续“的问题的时候都会用到二进制将他们离散简化
1.多重背包问题
2.树状数组
3.状态压缩DP
……………还有很多。。。究其根本还是那句话:化连续为离散。。很多时候我们并不是为了解决一个问题而使用二进制,更多是时候是为了优化而使用它。所以如果你想让你的程序更加能适应大数据的情况,那么学习学习二进制及其算法思想将会对你有很大帮助。
最后贴出一些代码供大家学习,主要起演示的效果:
#include<stdio.h>
#defineN 100
__int64map[N][N],tmp1[N][N],tmp2[N][N];
voidfun(__int64 map[N][N],int n,int k)//求矩阵map的k次幂,n代表每一维的数据个数
{
inti,j,m;
k--; //求map的k次幂,那map还需乘以map的k-1次幂
for(i=1;i<=n;i++)//初始化tmp1数组,tmp1数组记录的是map的2^x次幂
for(j=1;j<=n;j++)
tmp1[i][j]=map[i][j];
while(k)
{
if(k%2)
{
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
tmp2[i][j]=map[i][j];
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
{
map[i][j]=0;
for(m=1;m<=n;m++)
{
map[i][j]=(map[i][j]+tmp2[i][m]
*tmp1[m][j]);
}
}
}
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
tmp2[i][j]=tmp1[i][j];
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
{
tmp1[i][j]=0;
for(m=1;m<=n;m++)
tmp1[i][j]=(tmp1[i][j]+tmp2[i][m]*tmp2[m][j]);
}
k=k/2;
}
}
intmain()
{
int t;
scanf("%d",&t);
while(t--)
{
intn,k,i,j;
scanf("%d%d",&n,&k);
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
scanf("%I64d",&map[i][j]);
fun(map,n,k);
}
return0;
}
贴一个更好用的模板
#include<stdio.h>
#include<string.h>
struct matrix
{
long long mat[5][5];
};
matrix matmul(matrix a,matrix b,int n,int m)
{
int i,j,k;
matrix ans;
memset(ans.mat,0,sizeof(ans.mat));
for(i=0;i<n;i++)
{
for(j=0;j<n;j++)
{
for(k=0;k<n;k++)
ans.mat[i][j]+=a.mat[i][k]*b.mat[k][j];
ans.mat[i][j]%=m;
}
}
return ans;
}
matrix matpow(matrix a ,int k,int n,int m)
{
matrix ans=a;
k--;
while(k)
{
if(k&1)
ans=matmul(ans,a,n,m);
a=matmul(a,a,n,m);
k/=2;
}
return ans;
}
int main()
{
int k;
matrix a,b,ans;
while(scanf("%d",&k)!=EOF)
{
memset(a.mat,0,sizeof(a.mat));
memset(b.mat,0,sizeof(b.mat));
if(k<=2)
{
printf("%d\n",k);
continue;
}
a.mat[0][0]=2; a.mat[1][0]=1; a.mat[2][0]=1;
b.mat[0][0]=1; b.mat[0][1]=2; b.mat[0][2]=1;
b.mat[1][0]=1; b.mat[1][1]=0; b.mat[1][2]=0;
b.mat[2][0]=0; b.mat[2][1]=0; b.mat[2][2]=1;
ans=matmul(matpow(b,k-2,3,10007),a,3,10007);
printf("%lld\n",ans.mat[0][0]%10007);
}
return 0;
}