理解C++标准库[STL]的type_traits的实现原理，如何在实际开发中使用类型特性做算法优化。

背景

• 【问题实例】我们先看一个问题，对于n阶矩阵如何计算它的m次幂？
  学过线性代数的朋友都知道，A^m = A*A*A*...*A(一共m个A相乘)。
  n阶矩阵A*A的时间复杂度为O(n*n*n);而A^m次方的复杂度为O(n*n*n)^m = O(n^3(m-1))；这个复杂度有点高，对于具有特殊属性的矩阵，比如实对称矩阵，这种情况下，复杂度是否可以降下来呢，当然可以，我们可以用矩阵的相似对角化将矩阵A分解为A = inv(P)*Diag*P；此时A^m = inv(P)*Diag^m*P的复杂度可以降低到O(n^7*m)； [这块复杂度分析不正确，读者可以大概理解下我想表达的意思：根据类型特性确实可以起到算法优化的目的]

• 【解决思路】
  1. 通用解法：老老实实按照矩阵乘法算， 适用于任何n阶矩阵，缺点效率低下
  2. 高效解法：对于实对称矩阵，可以相似对角化； 优点：可以针对性优化，效率贼高

• 【C++解决方案】 模板编程：编译时候多态，效率高且对程序员友好； 如果用动多态技术的话，运行时效率会有问题，对于数值问题，不可取。

型别特性

• type trait这里的type可以简单等同为class，但二者并不完全一致，type侧重接口，而class侧重实现。这里不做区分。 type_trait == class_trait。
• 在进入实例之前我们先建立一个概念，type traits或叫型别特性是什么意思，我们看下C++之父的一段话:

Think of a trait as a small object whose main purpose is to carry information used by another object or algorithm to determine “policy” or “implementation details”.

• Bjarne Stroustrup

• Bjarne Stroustrup大神说，型别特性是一个小对象，其主要目的是携带关于该型别的特性信息，这些信息会被另外的对象或者算法使用，来决定对象或算法自己的策略或实现细节。

矩阵求幂解决方案

1. 定义两种类型，用于标识实对称矩阵和普通矩阵

// 型别类型定义，没有任何成员定义
// 普通矩阵型别
struct GeneralMatrixCategory_type {};

// 实对称矩阵型别
struct RealSymmetricMatrixCategory_type {};

2. 定义型别特性模板类，用于矩阵型别特性萃取

// 矩阵型别特性萃取类
template <typename Matrix>
struct matrix_traits {
  // 这里有个小小契约，所有矩阵类型必须有矩阵所属型别类型定义 category_type
  typedef typename Matrix::category_type  value_type;
};

3. 定义两种类型矩阵

• 两种矩阵都具有类型重定义类型别名 category_type
• 为了可以和后续的算法pow搭配，任何用户自定义的矩阵类型都需要定义类型别名 category_type

template <typename Tp>
class RealSymmetricMatrix {
public:
  // 具有 RealSymmetricMatrixCategory_typ 的型别
  typedef RealSymmetricMatrixCategory_type category_type;

public:
  RealSymmetricMatrix(std::size_t  dim) : dim_(dim) { }

private:
  Tp* buffer_ = nullptr;
  std::size_t  dim_;
};

template <typename Tp>
class GeneralMatrix {
public:
  // 具有 GeneralMatrixCategory_type 的型别
  typedef GeneralMatrixCategory_type category_type;

public:
  GeneralMatrix(std::size_t dim) : dim_(dim) {}

private:
  Tp* buffer_ = nullptr;
  std::size_t  dim_;
};

4. 两个辅助函数

• 这里为什么是两个？因为只用两种矩阵型别类型定义。

template <typename Matrix>
Matrix __pow(const Matrix &m, size_t n, GeneralMatrixCategory_type) {
  std::cout << "通用版本被调用" << std::endl;
}

template <typename Matrix>
Matrix __pow(const Matrix &m, size_t n, RealSymmetricMatrixCategory_type) {
  std::cout << "高效版本被调用" << std::endl;
}

5. 用户接口

/**
 * 计算矩阵m的n次方.
 *
 * @tparam Tp : scalar<int double>
 * @param m
 * @param n
 * @return
 */
template <typename Matrix> Matrix pow(const Matrix &m, size_t n) {
  typedef typename matrix_traits<Matrix>::value_type value_type;
  __pow(m, n, value_type()); // 这里创建了一个匿名对象，编译器会自动进行类型推倒，进而调用两个辅助函数中的一个。
}

展望

• 可以加入别的矩阵类型，如

struct SparseMatrixCategory_type {};

• 并引入继承关系

struct SparseMatrixCategory_type : public GeneralMatrixCategory_type {};

struct RealSymmetricMatrixCategory_type {};

• 对于这种情况，如果有新的矩阵类型定义，比如

template <typename Tp>
class SparseMatrix {
public:
  // 具有 SparseMatrixCategory_type 的型别
  typedef SparseMatrixCategory_type category_type;

public:
  SparseMatrix(std::size_t dim) : dim_(dim) {}

private:
  Tp* buffer_ = nullptr;
  std::size_t  dim_;
};

• 即使没有专门针对稀疏矩阵求幂的算法实现，pow也可以用最普通版本的算法来计算稀疏矩阵求幂。这是由于继承关系的原因。

说明

• 两个矩阵类型的定义并不完整，这里关注的不是类本身的定义，而是算法如何自动选择最高效的实现版本来计算矩阵的m次幂。