回顾数据结构(Java版)——稀疏矩阵压缩和解压

稀疏矩阵的压缩和解压缩

稀疏矩阵的压缩思路分析

  1. 先统计在二维数组中有多少有效的的值统计出sum
  2. 根据sum创建一个压缩数组
  3. 然后遍历每一项有效值,并且将它记录在压缩数组中

稀疏矩阵的恢复

  1. 根据压缩矩阵的行和列恢复原来的矩阵
  2. 然后把其他有效值填进这个新建的矩阵

code

package com.wrial.sparse_matrix;
/*
 * @Author  Wrial
 * @Date Created in 13:44 2019/10/6
 * @Description 将一个稀疏数组进行压缩和解压缩
 */

public class SparseMatrix {

    public static void main(String[] args) {

        //1.创建一个原始的二维数组/矩阵
        int[][] matrix = new int[9][9];
        //2.填充一些值
        matrix[1][1] = 1;
        matrix[2][1] = 2;
        matrix[5][5] = 5;
        matrix[4][8] = 10;
        //输出一下当前矩阵
        System.out.println("原矩阵");
        output(matrix);
        //3.扫描数组的有效值
        int sum = 0;
        for (int i = 0; i < 9; i++) {
            for (int j = 0; j < 9; j++) {
                if (matrix[i][j] != 0) {
                    sum++;
                }
            }
        }
        System.out.printf("sum = %d\n", sum);
        //4.根据sum创建出压缩数组  注意:不能是sum行而是sum+1行,因为第一行要记录总行数和列数
        int[][] sparseArray = new int[sum + 1][3];
        //5.将矩阵中的值填入压缩数组中
        sparseArray[0][0] = 9;
        sparseArray[0][1] = 9;
        sparseArray[0][2] = sum;
        int p = 0;
        for (int i = 0; i < 9; i++) {
            for (int j = 0; j < 9; j++) {
                if (matrix[i][j] != 0) {
                    ++p;
                    sparseArray[p][0] = i;
                    sparseArray[p][1] = j;
                    sparseArray[p][2] = matrix[i][j];
                }
            }
        }
        System.out.println("压缩后");
        output(sparseArray);

        //6.压缩完成后进行解压缩,根据sparseArray[0][x]恢复原矩阵
        int[][] oldMatrix = new int[sparseArray[0][0]][sparseArray[0][1]];
        //7.给里面填值  根据sum作为终止
        for (int i = 1; i <= sparseArray[0][2]; i++) {
            oldMatrix[sparseArray[i][0]][sparseArray[i][1]] = sparseArray[i][2];
        }

        System.out.println("恢复后的矩阵");
        output(oldMatrix);


    }

    public static void output(int[][] matrix) {
        for (int[] ints : matrix) {
            for (int anInt : ints) {
                System.out.printf("%d\t", anInt);
            }
            System.out.println();
        }
    }

}

需要注意的点是压缩的稀疏数组的行数是sum+1行

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
稀疏矩阵是指其中大部分元素为零的矩阵。由于大多数矩阵都是稠密的,即大多数元素都不为零,因此通常情况下,我们使用一个二维数组来表示一个矩阵。但是,对于稀疏矩阵来说,这种方法会造成很大的浪费,因为大量的空间被用来存储零元素。为了解决这个问题,我们可以使用稀疏矩阵三元组表示法。 稀疏矩阵三元组表示法是将稀疏矩阵中每个非零元素的行、列和值存储在一个三元组中。其数据结构如下所示: ``` struct Triple{ int row, col; double value; }; ``` 其中,row表示非零元素所在的行,col表示非零元素所在的列,value表示非零元素的值。我们可以使用一个数组来存储所有的非零元素,这个数组就是稀疏矩阵的三元组。 稀疏矩阵三元组表示法的优点是它可以节省存储空间,缺点是它不方便进行矩阵运算。因此,在进行矩阵运算时,我们需要将稀疏矩阵转换成其他更方便进行矩阵运算的表示方法,如压缩矩阵和坐标矩阵等。 对于稀疏矩阵的求解,可以使用稀疏矩阵三元组表示法结合三元组高斯消元算法来进行求解。三元组高斯消元算法是一种针对稀疏矩阵的高斯消元算法,其基本思想是将矩阵化为上三角矩阵或下三角矩阵,然后通过回代或者前代求解方程。由于矩阵中大部分元素为零,因此在进行高斯消元时,我们只需要考虑非零元素,这样可以大大提高计算效率。 三元组高斯消元算法的基本步骤如下: 1. 将稀疏矩阵转换成三元组表示法; 2. 对三元组按照行和列的顺序进行排序; 3. 从第一个非零元素开始,进行高斯消元,将矩阵化为上三角矩阵或下三角矩阵; 4. 通过回代或者前代求解方程。 具体实现可以参考以下代码: ``` void SparseTripletGaussElimination(SparseTriplet& triplet, vector<double>& b) { int n = triplet.rows; vector<Triple> A(triplet.data, triplet.data + triplet.num); sort(A.begin(), A.end(), [](const Triple& a, const Triple& b){ return a.row < b.row || (a.row == b.row && a.col < b.col); }); vector<int> row(n+1), col(triplet.num), diag(n); vector<double> val(triplet.num); for (int i = 0; i < triplet.num; i++) { row[A[i].row]++; } for (int i = 1; i <= n; i++) { row[i] += row[i-1]; } for (int i = 0; i < triplet.num; i++) { int r = A[i].row, c = A[i].col; double v = A[i].value; int k = row[r]++; // 获取 r 行中下一个非零元素的位置 col[k] = c; val[k] = v; if (r == c) { diag[r] = k; // 记录对角线元素的位置 } } for (int k = 0; k < n-1; k++) { if (val[diag[k]] == 0) { // 对角线元素为零,无法消元 throw runtime_error("zero pivot encountered"); } for (int i = diag[k]+1; i < row[k+1]; i++) { int r = col[i]; double factor = val[i] / val[diag[k]]; for (int j = diag[k]+1; j < row[k+1]; j++) { if (col[j] == r) { val[j] -= factor * val[diag[k]]; } } b[r] -= factor * b[k]; } } if (val[diag[n-1]] == 0) { // 对角线元素为零,无法消元 throw runtime_error("zero pivot encountered"); } for (int k = n-1; k >= 0; k--) { double sum = 0; for (int i = diag[k]+1; i < row[k+1]; i++) { sum += val[i] * b[col[i]]; } b[k] = (b[k] - sum) / val[diag[k]]; } } ``` 其中,SparseTriplet是稀疏矩阵三元组表示法的数据结构,b是待求解的方程的右侧向量。在实现中,我们首先将三元组按照行和列的顺序进行排序,然后将其转换成压缩矩阵的形式,接着进行高斯消元,并通过回代或者前代求解方程。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值