ACM矩阵基础入门

矩阵

定义

  顾名思义。就是由元素组成的矩形阵列。

表示

  一个$n$行$m$列的矩形阵列即是$n$行$m$列的矩阵，例如$2$行$3$列的矩阵:$$\left(\begin{array}{ccc}a& b& c\\ d& e& f\end{array}\right)$$ 在C++程序中可以使用二维数组表示矩阵。

struct Matrix
{
    int d[2][3];
};

零矩阵

  所有元素都为数0的矩阵称为零矩阵。

n阶方阵

  $n$行$n$列的矩阵称为$n$阶方阵 。

上三角矩阵

  主对角线：n阶方阵的左上角与右下角之间的连线称为它的主对角线。
  $n$阶方阵的主对角线下方的元素全为零的方阵称为上三角矩阵。

下三角矩阵

  $n$阶方阵的主对角线上方的元素全为零的方阵称为下三角矩阵。

单位元矩阵

  单位元矩阵：n阶方阵的主对角线上的值全是1，非主对角线上的值全是0。例如：3阶方阵
$$\left(\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right)$$
单位元矩阵与任何矩阵相乘都等于原矩阵。
任何矩阵和单位元矩阵相乘都等于原矩阵。(两条不同)

邻接矩阵

  例题：各城市之间交通连接形成一个交通网络图。设图上有$n$个城市构成的节(顶)点$v_1$、$v_2$、···、$v_n$，在每两个节点(城市)之间以线段相连接，这些线段可以是有向的，用箭头表示；也可以是无向的，因而可画出双箭头。这就形成了一个交通网络图，这样的图称为有向图(如果图上线段都是双向的，可以不画箭头，称为无向图)，这个图可以用$n\times n$矩阵表示，这个矩阵叫做邻接矩阵，它的行和列分别表示这些节点的编号，行号表示出发节点(出度)，列号表示到达节点(入度)。任何一条有向线段，在矩阵中用一个数值为1的元素表示，即若邻接矩阵$A=(a_{ij}{)}_{n\times n}$，则$$a_{ij}=\{\begin{array}{l}1，节点v_i到v_j有箭头(不含中间节点)\\ 0，节点v_i到v_j没有箭头\end{array}$$
例如图：
邻接矩阵：$$\begin{array}{cccccc}& v_1& v_2& v_3& v_4& v_5\\ v_1& 0& 1& 0& 0& 0\\ v_2& 0& 0& 1& 0& 0\\ v_3& 0& 1& 0& 1& 1\\ v_4& 1& 0& 0& 0& 0\\ v_5& 1& 1& 0& 1& 0\end{array}$$

矩阵的运算

加法

  矩阵加法首先满足两个矩阵的行和列一样，即都是$n$行$m$列的矩阵，相加结果也是$n$行$m$列的矩阵，即：$A(i,j)+B(i,j)=(A+B)(i,j)$。
$$\left(\begin{array}{ccc}1& 3& 1\\ 1& 0& 0\end{array}\right)+\left(\begin{array}{ccc}0& 0& 5\\ 7& 5& 0\end{array}\right)=\left(\begin{array}{ccc}1+0& 3+0& 1+5\\ 1+7& 0+5& 0+0\end{array}\right)=\left(\begin{array}{ccc}1& 3& 6\\ 8& 5& 0\end{array}\right)$$

运算规则

1. 满足交换律
   $A+B=B+A$
2. 满足结合律
   $(A+B)+C=A+(B+C)$

减法

  矩阵减法首先满足两个矩阵的行和列一样，即都是$n$行$m$列的矩阵，相减结果也是$n$行$m$列的矩阵，即：$A(i,j)-B(i,j)=(A-B)(i,j)$。
$$\left(\begin{array}{ccc}1& 3& 1\\ 1& 0& 0\end{array}\right)+\left(\begin{array}{ccc}0& 0& 5\\ 7& 5& 0\end{array}\right)=\left(\begin{array}{ccc}1-0& 3-0& 1-5\\ 1-7& 0-5& 0-0\end{array}\right)=\left(\begin{array}{ccc}1& 3& -4\\ -6& -5& 0\end{array}\right)$$

运算规则

1. 满足交换律
   $A+B=B+A$
2. 满足结合律
   $(A+B)+C=A+(B+C)$

数乘

  注意这里不是乘法，只是数乘，用一个数，去乘矩阵里的每一个数。$\lambda A(i,j)=\lambda A_{ij}$
$$5\ast \left(\begin{array}{ccc}1& 3& 1\\ 1& 0& 0\end{array}\right)=\left(\begin{array}{ccc}5\ast 1& 5\ast 3& 5\ast 1\\ 5\ast 1& 5\ast 0& 5\ast 0\end{array}\right)=\left(\begin{array}{ccc}5& 15& 5\\ 5& 0& 0\end{array}\right)$$

运算规则

1. 满足结合律
   $(\lambda \mu )A=\lambda (\mu A)$
   $(\lambda +\mu )A=\lambda A+\mu A$
2. 满足分配律
   $\lambda (A+B)=\lambda A+\lambda B$

乘法

  这个才是矩阵的重头戏。矩阵乘法中，两矩阵必须满足矩阵$A(n_a,m_a)$的列等于矩阵$B(n_b,m_b)$的行。即$m_a=n_b$。相乘的结果矩阵$C(n_c,m_c)$中的行等于矩阵$A(n_a,m_a)$中的行，即$n_c=n_a$，矩阵$C(n_c,m_c)$中的列等于矩阵$B(n_b,m_b)$中的列，即$m_c=m_b$。
矩阵乘法的公式：$C(i,j)=A(i,1)\ast B(1,j)+A(i,2)\ast B(2,j)+\cdot \cdot \cdot +A(i,m_a)\ast B(n_b,j)={\sum }_{k=1}^{m_a}A(i,k)\ast B(k,j)$
$$\left(\begin{array}{ccc}1& 0& 2\\ -1& 3& 1\end{array}\right)\ast \left(\begin{array}{cc}3& 1\\ 2& 1\\ 1& 0\end{array}\right)=\left(\begin{array}{cc}(1\ast 3+0\ast 2+2\ast 1)& (1\ast 1+0\ast 1+2\ast 0)\\ (-1\ast 3+3\ast 2+1\ast 1)& (-1\ast 1+3\ast 1+1\ast 0)\end{array}\right)=\left(\begin{array}{cc}5& 1\\ 4& 2\end{array}\right)$$

运算规则

1. 满足结合律
   $(AB)C=A(BC)$
   $(\lambda A)B=\lambda (AB)+A(\lambda B)$
2. 满足分配律
   $A(B\pm C)=AB\pm AC$(左分配律)
   $(B\pm C)A=BA\pm CA$(右分配律)

参考链接：http://www2.edu-edu.com.cn/lesson_crs78/self/j_0022/soft/ch0605.html

矩阵快速幂

我们已经学习过数字快速幂，例如：$A^k\%mod$。
数字快速幂代码：

typedef long long LL;//为long long重命名
LL ppow(LL n, LL k)
{
	LL res = n;
	LL ans = 1;
	while(k)
	{
		if(k&1) ans = ans*res;
		res = res*res;
		k >>= 1;
	 } 
	 return ans;
}

矩阵快速幂和数字快速幂大致相同，只需要将$ans、res$两个$LL$类型的整数改成矩阵就可以了。

const int m_max = 15;
struct Matrix
{
    int d[m_max][m_max];
};
int m_size;
Matrix matrix_mul(Matrix a, Matrix b)
{
    Matrix ans;
    for(int i = 0; i < m_size; i++)
        for(int j = 0; j < m_size; j++)
        {
            ans.d[i][j] = 0;
            for(int k = 0; k < m_size; k++)
            {
                ans.d[i][j] += (a.d[i][k]*b.d[k][j]);
            }
        }
    return ans;
}
Matrix init()//把矩阵初始化单位元矩阵
{
    Matrix ans;
    for(int i = 0; i < m_size; i++)
        for(int j = 0; j < m_size; j++)
            ans.d[i][j] = i==j?1:0;
    return ans;
}
Matrix ppow(Matrix a,int k)
{
    Matrix ans = init();
    
    Matrix res = a;
    while(k)
    {
        if(k&1)
            ans = matrix_mul(ans, res);
        res = matrix_mul(res, res);
        k >>= 1;
    }
    return ans;
}

第二十四天训练学习A题解
题目链接：A：Tr A
题解：板子题，题意很明确。
代码：

#include<cstdio>
#include<algorithm>
#include<vector>
#include<cstring>
#include<cmath>
using namespace std;
const int mod = 200907;
typedef long long LL;

const int m_max = 15;
struct Matrix
{
    int d[m_max][m_max];
};
int m_size;
Matrix matrix_mul(Matrix a, Matrix b)
{
    Matrix ans;
    for(int i = 0; i < m_size; i++)
        for(int j = 0; j < m_size; j++)
        {
            ans.d[i][j] = 0;
            for(int k = 0; k < m_size; k++)
            {
                ans.d[i][j] = (ans.d[i][j]+a.d[i][k]*b.d[k][j])%9973;
            }
        }
    return ans;
}
Matrix init()//把矩阵初始化单位元矩阵
{
    Matrix ans;
    for(int i = 0; i < m_size; i++)
        for(int j = 0; j < m_size; j++)
            ans.d[i][j] = i==j?1:0;
    return ans;
}
Matrix ppow(Matrix a,int k)
{
    Matrix ans = init();
    
    Matrix res = a;
    while(k)
    {
        if(k&1)
            ans = matrix_mul(ans, res);
        res = matrix_mul(res, res);
        k >>= 1;
    }
    return ans;
}
int main()
{
    int t;
    scanf("%d", &t);
    while(t--)
    {
        int k;
        Matrix a;
        scanf("%d%d", &m_size, &k);
        for(int i = 0; i < m_size; i++)
        {
            for(int j = 0; j < m_size; j++)
            {
                scanf("%d", &a.d[i][j]);
            }
        }
        Matrix ans = ppow(a,k);
        int sum = 0;
        for(int i = 0; i < m_size; i++)
        {
            sum += ans.d[i][i];
        }
        printf("%d\n", sum%9973);
    }
    return 0;
}