数学蒟蒻的矩乘小结

矩阵乘法基础

$$A\ast B=\left\{\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\end{array}\right\}\ast \left\{\begin{array}{cc}1& 4\\ 2& 5\\ 3& 6\end{array}\right\}=\left\{\begin{array}{cc}14& 32\\ 32& 77\end{array}\right\}$$
$A\ast B$的理解是，$B$矩阵是$2$个$3$维向量，$A$矩阵提供了$3$个维度的变换方法
[这里再给出一个$B\ast A$参考]
$$B\ast A=\left\{\begin{array}{cc}1& 4\\ 2& 5\\ 3& 6\end{array}\right\}\ast \left\{\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\end{array}\right\}=\left\{\begin{array}{ccc}17& 22& 27\\ 22& 29& 36\\ 27& 36& 45\end{array}\right\}$$
也就是说，向量的数量不会变化，而左乘的矩阵决定了变化到的空间是几维的
所以显然运算上每个向量的值不会互相影响

那么我们来说说对左边的这个矩阵的理解，左边每一个“向量”的意义是分别指导右边的每一个维度怎么变，因为本来的维度可能被分拆到好多个维度，也可能压缩到一个维度，影响上。
一个$A_{i,j}$会和$B$的第$j$行乘，答案会显示在第$i$列
这样写就好理解了，因为向量间不影响，不妨研究这样的乘法，矩阵乘向量，结果就是简单的向量加法了
$$\left\{\begin{array}{ccc}\hat{i}& \hat{j}& \hat{k}\end{array}\right\}\ast \left\{\begin{array}{c}1\\ 2\\ 3\end{array}\right\}=\hat{i}+2\hat{j}+3\hat{k}$$

OI中的矩阵

OI中，常见的是一个DP数组右乘一个转移矩阵，转移出来的显然还得是$n$个数字，如果是n个向量那么转移矩阵就没有修饰的空间了，转移矩阵修饰的程度取决于维度，所以应该是形如这样的矩阵形式，方阵左乘一个$n$维向量，这样结果还是一个向量
$$\left\{\begin{array}{ccc}{A}_{1,1}& ...& A_{1,n}\\ ...& ...& ...\\ ...& ...& A_{n,n}\end{array}\right\}\ast \left\{\begin{array}{c}{f}_1\\ f_2\\ ...\\ f_n\end{array}\right\}$$
这时候我们发现$A_{i,j}$的意义就是$f_j$对$f_i$的贡献

转移矩阵的构造

魔改$dp$式啊 $f[i]+=A[i][j]\ast f[j]$

事实上

不过事实上，在OI中，我们习惯把行列反过来，因为大概跟图论中$E[u][v]$是$u$到$v$一样，我们把初始数组设为$$F[1,2,3,...,n]=A[0][1,2,3,....,n]$$
n阶线性递推的转移式子
$$F[i]+=A[j][i]\ast F[j],其中i是指下一次循环中第i位$$
$$如F[i=n]指的其实是相对于F[j=n]来说的n+1$$
而那种类似图论的题就不需要考虑这个了