OI中常见的线性代数矩阵问题

         \ \ \ \ \ \ \,       对于一个 n × m n\times m n×m 的矩阵 A A A,我们这样定义:

A = [ a ( 1 , 1 ) a ( 1 , 2 ) ⋯ a ( 1 , n ) a ( 2 , 1 ) a ( 2 , 2 ) ⋯ a ( 2 , n ) ⋮ ⋮ ⋱ ⋮ a ( m , 1 ) a ( m , 2 ) ⋯ a ( m , n ) ] A=\begin{bmatrix} a_{(1,1)} & a_{(1,2)} &\cdots &a_{(1,n)} \\ a_{(2,1)}& a_{(2,2)} &\cdots &a_{(2,n)} \\\vdots &\vdots &\ddots &\vdots\\ a_{(m,1)}& a_{(m,2)} &\cdots &a_{(m,n)} \end{bmatrix} A=a(1,1)a(2,1)a(m,1)a(1,2)a(2,2)a(m,2)a(1,n)a(2,n)a(m,n)

struct matrix{	
	int n,m;
	double a[N][N];
}A;
  • 高斯消元

         \ \ \ \ \ \ \,       回忆初中学的多元一次方程(线性方程),我们可以把它当做一个矩阵,然后等号的后面为 n × 1 n\times 1 n×1 的增广矩阵。

         \ \ \ \ \ \ \,       我们解答的过程,就是用方程之间的加减,或者乘一个常数,来消去一些未知数,直到可以直接解出答案。这个消元过程,就是高斯消元。

         \ \ \ \ \ \ \,       变换到矩阵上面,就是通过一些行与行之间的加减,或者乘一个常数,来使得一些位置的值变为 0 0 0

         \ \ \ \ \ \ \,       我们一般会画成下面两种形态:

  1. 行阶梯式

[ ∗ ∗ ∗ 0 ∗ ∗ 0 0 ∗ ] \begin{bmatrix} * & * &* \\ 0& * &* \\0& 0 &* \end{bmatrix} 000

         \ \ \ \ \ \ \,       代码如下,复杂度 O ( n 3 ) O(n^3) O(n3)

void Gauss(matrix &A){
	for(int i=1;i<=A.n;i++){
		for(int j=i;j<=A.m;j++)
		if(fabs(A.a[j][i])){swap(A.a[j],A.a[i]);break;}
		for(int j=i+1;j<=A.m;j++){
		if(fabs(A.a[i][i])<eps)continue;
		double f=A.a[j][i]/A.a[i][i];
		for(int k=i;k<=A.n;k++)A.a[j][k]-=f*A.a[i][k];
		}
	}
}
  1. 行最简式

[ ∗ 0 0 0 ∗ 0 0 0 ∗ ] \begin{bmatrix} * &amp; 0 &amp;0 \\ 0&amp; * &amp;0 \\0&amp; 0 &amp;*\end{bmatrix} 000000

       &ThinSpace; \ \ \ \ \ \ \,       代码如下,在化成行阶梯式之后,再化成行最简式,复杂度 O ( n 3 ) O(n^3) O(n3)

void Gauss(matrix &A){
	for(int i=1;i<=A.n;i++){
 		for(int j=i;j<=A.m;j++)
 		if(fabs(A.a[j][i])){swap(A.a[j],A.a[i]);break;}
 		for(int j=i+1;j<=A.m;j++){
 			if(fabs(A.a[i][i])<eps)continue;
 			double f=A.a[j][i]/A.a[i][i];
      for(int k=i;k<=A.n;k++)A.a[j][k]-=f*A.a[i][k];
		}
	}
	for(int i=A.n;i>=1;i--)
 	for(int j=i-1;j>=1;j--){
 		if(fabs(A.a[j][i])<eps)continue;
 		double f=-A.a[i][i]/A.a[j][i];
    for(int k=j;k<=A.n;k++)
    (A.a[j][k]*=f)+=A.a[i][k];
	}
}

  • 矩阵的秩和行列式的值

  1. 矩阵的秩

       &ThinSpace; \ \ \ \ \ \ \,       矩阵的秩是A的线性独立的纵(横)列的极大数目,感性地理解,就是在线性方程里的非自由元数目,也就是有用的为多少,我们可以在高斯消元的同时,来求矩阵的秩。

        &ThinSpace; \ \ \ \ \ \ \ \,        也就是统计行阶梯式的对角线上,不为 0 0 0 的数目。

  1. 行列式的值

       &ThinSpace; \ \ \ \ \ \ \,       行列式虽然与矩阵不同,但是也可以用矩阵表示,暴力求行列式的值复杂度太高,但是我们可以高斯消元过后再求。

       &ThinSpace; \ \ \ \ \ \ \,       就是行阶梯式的对角线的乘积。


  • 矩阵乘法

       &ThinSpace; \ \ \ \ \ \ \,       那么对于矩阵之间的乘法 B × A B\times A B×A,我们这样定义:

       &ThinSpace; \ \ \ \ \ \ \,       首先,我们需要确定, B B B 的列数等于 A A A 的行数,既 m A = n B m_A=n_B mA=nB

       &ThinSpace; \ \ \ \ \ \ \,        S ( i , j ) = ∑ k = 1 m A a ( k , j ) × b ( i , k ) S_{(i,j)}=\sum_{k=1}^{m_A}a_{(k,j)}\times b_{(i,k)} S(i,j)=k=1mAa(k,j)×b(i,k),那么有:

B × A = [ S ( 1 , 1 ) S ( 1 , 2 ) ⋯ S ( 1 , n A ) S ( 2 , 1 ) S ( 2 , 2 ) ⋯ S ( 2 , n A ) ⋮ ⋮ ⋱ ⋮ S ( m B , 1 ) S ( m B , 2 ) ⋯ S ( m B , n A ) ] B\times A=\begin{bmatrix} S_{(1,1)} &amp; S_{(1,2)} &amp;\cdots &amp;S_{(1,n_A)} \\ S_{(2,1)}&amp; S_{(2,2)} &amp;\cdots &amp;S_{(2,n_A)} \\\vdots &amp;\vdots &amp;\ddots &amp;\vdots\\ S_{(m_B,1)}&amp; S_{(m_B,2)} &amp;\cdots &amp;S_{(m_B,n_A)} \end{bmatrix} B×A=S(1,1)S(2,1)S(mB,1)S(1,2)S(2,2)S(mB,2)S(1,nA)S(2,nA)S(mB,nA)

       &ThinSpace; \ \ \ \ \ \ \,       显然是一定满足结合律,不一定满足交换律的,复杂度为 O ( n 3 ) O(n^3) O(n3),直接模拟的,代码如下:

inline matrix operator *(const matrix &a,const matrix &b){
	matrix ret;ret.n=a.n;ret.m=b.m;
	for(int i=1;i<=a.n;i++)
	for(int j=1;j<=b.m;j++){
	  ret.a[i][j]=0;
	  for(int k=1;k<=a.m;k++)
	  ret.a[i][j]+=a.a[i][k]*b.a[k][j];
	}
	return ret;
}

  • 矩阵逆元

       &ThinSpace; \ \ \ \ \ \ \,       有矩阵乘法,那么就会存在单位元,那么就自然会有逆元的存在。

       &ThinSpace; \ \ \ \ \ \ \,       单位矩阵,既对角线上面都是 1 1 1,其余都是 0 0 0 的矩阵:

I = [ 1 0 ⋯ 0 0 1 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ 1 ] I=\begin{bmatrix} 1 &amp; 0 &amp;\cdots &amp;0 \\ 0&amp; 1 &amp;\cdots &amp;0 \\\vdots &amp;\vdots &amp;\ddots &amp;\vdots\\ 0&amp; 0 &amp;\cdots &amp;1 \end{bmatrix} I=100010001

       &ThinSpace; \ \ \ \ \ \ \,       根据矩阵乘法的定义,很容易知道 A × I = A A\times I=A A×I=A

       &ThinSpace; \ \ \ \ \ \ \,       那么对于矩阵 A A A,若是 A × A ′ = I A\times A&#x27;=I A×A=I,我们就称 A ′ A&#x27; A A A A 的逆矩阵。

       &ThinSpace; \ \ \ \ \ \ \,       对于一个矩阵 A A A,肯定可以通过一些行与行之间的加减,或者乘一个常数,既高斯消元,变成 I I I。那么我们令 B = I B=I B=I,同时和 A A A做高斯消元,那么当 A = I A=I A=I时, B = A ′ B=A&#x27; B=A了。

       &ThinSpace; \ \ \ \ \ \ \,       模板如下,返回 0 0 0是无逆元情况:

bool Inv(matrix A,matrix &B){
	B.n=A.n;B.m=A.m;
	memset(B.a,0,sizeof(B.a));
	for(int i=1;i<=A.n;i++)B.a[i][i]=1;
	for(int i=1;i<=A.n;i++){
    for(int j=i;j<=A.n;j++)
    if(A.a[j][i]){
      swap(A.a[i],A.a[j]);
			swap(B.a[i],B.a[j]);
      break;
    }
    if(!A.a[i][i])return 0;
    long long r=inv(A.a[i][i]);
    for(int j=i;j<=A.n;j++)A.a[i][j]=A.a[i][j]*r%mod;
    for(int j=1;j<=A.n;j++)B.a[i][j]=B.a[i][j]*r%mod;
    for(int j=1;j<=A.n;j++)
    if(j!=i){
      long long f=A.a[j][i];
      for(int k=i;k<=A.n;k++)
      A.a[j][k]=(A.a[j][k]-f*A.a[i][k]%mod+mod)%mod;
      for(int k=1;k<=A.n;k++)
      B.a[j][k]=(B.a[j][k]-f*B.a[i][k]%mod+mod)%mod;
    }
  }
  return 1;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“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