数论——矩阵

---

先了解一下小常识

矩阵

定义

在数学中，矩阵(Matrix)是一个按照长方阵列排列的实数或复数集合，最早来自于方程组的系数及常数所构成的方阵。
矩阵是高等代数学中的常见工具，也常见于统计分析等应用数学学科中，矩阵的运算是数值分析领域的重要问题。在物理学中，矩阵在电路学、力学、光学和量子物理中都有应用。在计算机学科中，三维动画制作也需要用到矩阵。 ——G老师的$PowerPoint$

由$m\times n$个数$a_{ij}$排成的$m$行$n$列的数表称为$m$行$n$列的矩阵，简称$m\times n$矩阵。记作：
这$m\times n$个数称为矩阵$A$的元素，简称元。数$a_{ij}$位于矩阵$A$的第$i$行第j列，称为矩阵$A$的(i,j)元，以数$a_{ij}$为$(i,j)$元的矩阵可记为$(a_{ij})$或$(a_{ij}{)}_{m\times n}$，$m\times n$矩阵$A$也记作$A_{mn}$。
元素是实数的矩阵称为实矩阵，元素是复数的矩阵称为复矩阵。而行数与列数都等于$n$的矩阵称为$n$阶矩阵或$n$阶方阵。$n$阶方阵中所有$i=j$的元素$a_{ij}$组成的斜线称为(主)对角线，所有$i+j=n+1$的元素$a_{ij}$组成的斜线称为辅对角线。 ——G老师的$PowerPoint$

基本运算

矩阵的基本运算包括加法、减法、数乘（不是乘法）、转置、共轭和共轭转置等。

加法，减法

对于两个同型(行列数一样)矩阵$A$和$B$，加法就是把对应$(i,j)$元做加法运算。
例：
$$\left[\begin{array}{ccc}1& 2& 3\\ -1& -2& -3\end{array}\right]+\left[\begin{array}{ccc}3& 2& 1\\ -3& -2& -1\end{array}\right]=\left[\begin{array}{ccc}4& 4& 4\\ -4& -4& -4\end{array}\right]$$
矩阵的加法运算满足结合律和交换律，即：
$$\begin{gathered} A+B=B+A \\ (A+B)+C=A+(B+C) \end{gathered}$$

同理，减法也是这样的：
$$\left[\begin{array}{ccc}1& 2& 3\\ -1& -2& -3\end{array}\right]-\left[\begin{array}{ccc}3& 2& 1\\ -3& -2& -1\end{array}\right]=\left[\begin{array}{ccc}-2& 0& 2\\ 2& 0& -2\end{array}\right]$$

数乘

矩阵的数乘是指一个数乘以一个矩阵，只要把这个数乘到每一个$(i,j)$元上。
例：$$2\ast \left[\begin{array}{ccc}3& 2& 1\\ -3& -2& -1\end{array}\right]=\left[\begin{array}{ccc}6& 4& 2\\ -6& -4& -2\end{array}\right]$$
矩阵的数乘运算满足结合律和分配率，即：
$$\begin{gathered} (\lambda \mu )A=\lambda (\mu A) \\ (\lambda +\mu )A=\lambda A+\mu A \\ \lambda (A+B)=\lambda A+\lambda B \end{gathered}$$

矩阵的加法、减法和数乘运算合称为矩阵的“线性”运算

转置

把矩阵$A$的行换成同序数的列所得到的新矩阵称为$A$的转置矩阵，这一过程称为矩阵的转置。

$${\left[\begin{array}{ccc}1& 2& 3\\ -1& -2& -3\end{array}\right]}^T=\left[\begin{array}{cc}1& -1\\ 2& -2\\ 3& -3\end{array}\right]$$
显然有$$\begin{gathered} (A^T{)}^T=A \\ (\lambda A{)}^T=\lambda A^T \\ (AB{)}^T=A^T{B}^T \end{gathered}$$

共轭，共轭转置

这个不常用就直接发图片了吧（Pia~Pia）

行列式

一个$n\times n$的方阵$A$的行列式记为$\det (A)$或者$|A|$，一个$2\times 2$矩阵的行列式可表示如下：
$$det\left[\begin{array}{cc}a& b\\ c& c\end{array}\right]=ad-bc$$
把一个$n$阶行列式中的元素$a_{ij}$所在的第i行和第j列划去后，留下来的$n-1$阶行列式叫做元素$a_{ij}$的余子式，记作$M_{ij}$。记$A_{ij}=(-1{)}^{i+j}{M}_{ij}$，叫做元素$a_{ij}$的代数余子式。例如：
$$D=\left[\begin{array}{cccc}{a}_{11}& a_{12}& a_{13}& a_{14}\\ a_{21}& a_{22}& a_{23}& a_{24}\\ a_{31}& a_{32}& a_{33}& a_{34}\\ a_{41}& a_{42}& a_{43}& a_{44}\end{array}\right]M_{23}=\left[\begin{array}{ccc}{a}_{11}& a_{12}& a_{14}\\ a_{31}& a_{32}& a_{34}\\ a_{41}& a_{42}& a_{44}\end{array}\right]$$
$A_{23}=(-1{)}^{2+3}{M}_{23}=-M_{23}$
一个$n\times n$矩阵的行列式等于其任意行(或列)的元素与对应的代数余子式乘积之和，即：
$$\det (A)=\sum _{j=1}^n{a}_{ij}(-1{)}^{i+j}\det (A_{ij})$$

栗子：已知方阵$A=\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9\end{array}\right]$，求$|A|$或$\det (A)$
解：$\det (A)=1\ast (-1{)}^2\ast \left[\begin{array}{cc}5& 6\\ 8& 9\end{array}\right]+2\ast (-1{)}^3\ast \left[\begin{array}{cc}4& 6\\ 7& 9\end{array}\right]+3\ast (-1{)}^4\ast \left[\begin{array}{cc}4& 5\\ 7& 8\end{array}\right]=1\ast (-3)+(-2)\ast (-6)+3\ast (-3)=0$

所以明显可以用递归解决……

矩阵和行列式的区别

1. 矩阵是一个表格，行数和列数可以不一样；而行列式是一个数，且行数必须等于列数。只有方阵才可以定义它的行列式，而对于长方阵不能定义它的行列式。
2. 两个矩阵相等是指对应元素都相等；两个行列式相等不要求对应元素都相等，甚至阶数也可以不一样，只要运算代数和的结果一样就行了。
3. 两矩阵相加是将各对应元素相加；两行列式相加，是将运算结果相加，在特殊情况下(比如有行或列相同)，只能将一行(或列)的元素相加，其余元素照写。
4. 数乘矩阵是指该数乘以矩阵的每一个元素；而数乘行列式，只能用此数乘行列式的某一行或列，提公因数也如此。
5. 矩阵经初等变换，其秩不变；行列式经初等变换，其值可能改变：换法变换要变号，倍法变换差倍数；消法变换不改变。

矩阵乘法

对于两个矩阵：$n$行$m$列的$A$，$m$行$p$列的$B$，可以定义$C=A\times B$。
$C$是一个$n$行$p$列的矩阵，且$$C_{i,j}=\sum _{k=1}^m{A}_{i,k}\times B_{k,j}$$
栗子：下面两个矩阵的乘积$\left[\begin{array}{ccc}1& 2& 3\\ 3& 4& 5\end{array}\right]\left[\begin{array}{cccc}1& 2& 3& 4\\ 3& 4& 5& 6\\ 5& 6& 7& 8\end{array}\right]$为
$$\left[\begin{array}{cccc}1\ast 1+2\ast 3+3\ast 5& 1\ast 2+2\ast 4+3\ast 6& 1\ast 3+2\ast 5+3\ast 7& 1\ast 4+2\ast 6+3\ast 8\\ 3\ast 1+4\ast 3+5\ast 5& 3\ast 2+4\ast 4+5\ast 6& 3\ast 3+4\ast 5+5\ast 7& 3\ast 4+4\ast 6+5\ast 8\end{array}\right]$$
即$\left[\begin{array}{cccc}22& 28& 34& 40\\ 40& 52& 64& 76\end{array}\right]$（啊真是难算）
矩阵乘法满足$$\begin{gathered} A(BC)=(AB)C \\ (A+B)C=AC+BC \\ C(A+B)=AC+BC \end{gathered}$$
特别地，当$A,B$为方阵时，$AB=BA$

板子

int n, m, p;
struct Matrix{
    int n, m;
    long long A[101][101];
    inline Matrix() { memset(A, 0, sizeof A); }
    inline void input() {
        for(reg int i = 1; i <= n; i++)
            for(reg int j = 1; j <= m; j++) cin >> A[i][j];
    }
    inline void output() {
        for(reg int i = 1; i <= n; i++) {
            for(reg int j = 1; j <= m; j++) {
                cout << A[i][j];
                if(j != m) cout << ' ';
            }
            cout << endl;
        }
    }
    inline Matrix operator * (const Matrix&rhs) {
        Matrix ans;
        ans.n = n; ans.m = rhs.m;
        for(reg int i = 1; i <= n; i++)
            for(reg int j = 1; j <= rhs.m; j++)
                for(reg int k = 1; k <= m; k++)
                    ans.A[i][j] += A[i][k] * rhs.A[k][j];
        return ans;
    }
}a, b;
  
int main() {
    ios::sync_with_stdio(false);
    cin.tie(); cout.tie();
    cin >> n >> m;
    a.n = n; a.m = m;
    a.input();
    cin >> p;
    b.n = m; b.m = p;
    b.input();
    Matrix c = a * b;
    c.output();
}

​