最快矩阵乘法:矩阵A的p次幂怎么求速度最快,Math根本没有求矩阵的幂次函数
提示:重要的优化算法基础知识
上一篇,咱们求过数字最快速乘幂的方法(数字a的p次幂),
(1)最快乘法:普通数字a的p次幂怎么求速度最快,不用Math.pow(a,p)哦
那个知识点,你必须看懂,否则这个文章你看不懂!
那个知识点,你必须看懂,否则这个文章你看不懂!
那个知识点,你必须看懂,否则这个文章你看不懂!
现在:咱们要把a换成矩阵A,去求矩阵A的p次幂,在这你体验一下最快乘法的速度优势
题目
矩阵A的p次幂怎么求速度最快,Math根本没有求矩阵的幂次函数
普通矩阵A*B怎么求?Math也没有的,需要自己定义
很简单C【】=A【m行n列】×B【n行b列】
A的一行,×B的一列,求和,放在C的m行,b列
如下图,A的黑色一行,与B的所有列,乘完求和放在C的所有列
A的绿色一行,与B的所有列,乘完求和放在C的所有列
A的粉色一行,与B的所有列,乘完求和放在C的所有列
A的橘色一行,与B的所有列,乘完求和放在C的所有列
代码手撕:
//C=A×B咋求
public static int[][] matrixMul(int[][] A, int[][] B){
int m = A.length;
int b = B[0].length;
int[][] C = new int[m][b];//A的一行,×B的一列,求和,放在C的m行,b列
for (int i = 0; i < m; i++) {
for (int j = 0; j < b; j++) {
//A的一行,×B的一列,求和,放在C的m行,b列
int ans = 0;
for (int k = 0; k < A[0].length; k++) {//是A的列哦
ans += A[i][k] * B[k][j];
}
C[i][j] = ans;
}
}
return C;
}
public static void test2(){
int[][] A = {
{1,1},
{1,1}
};
int[][] B = {
{1,1},
{1,1}
};
int[][] C = matrixMul(A, B);
for (int i = 0; i < C.length; i++) {
for (int j = 0; j < C[0].length; j++) {
System.out.print(C[i][j] + " ");
}
System.out.println();
}
}
public static void main(String[] args) {
// test();
test2();
}
简单吧:
2 2
2 2
最快矩阵乘幂:利用数字a的p次幂的快速乘法,理解矩阵A的p次幂
咱们求过数字最快速乘幂的方法(数字a的p次幂),
(1)最快乘法:普通数字a的p次幂怎么求速度最快,不用Math.pow(a,p)哦
同样的思想,直接替换数字a为A,即可
我们看看是不是这个理?
初始化,跟上面一样,a=1,ans=I单位阵,t=10=a,tmp=A矩阵(基数)
然后,每次遇到p的x位是1,就需要给ans ×A的x位次幂——这句话可以不看你看图就知道了,能理解的。
初始化,a=I,t=A的1次方
(1)p的0位x=1:a=a×t=1×A的1次方=A的1次方,t=t×t=A的2次方
(2)p的1位x=1:a=a×t=A的1次方=A的1次方×A的2次方,t=t×t=A的4次方
(3)p的2位x=0:a=a×t=A的1次方=A的1次方×A的2次方 ,t=t×t=A的8次方
(4)p的3位x=1:a=a×t=A的1次方=A的1次方×A的2次方×A的8次方,t=t×t=A的16次方
(5)p的4位x=0:a=a×t=A的1次方=A的1次方×A的2次方×A的8次方 ,t=t×t=A的32次方
(6)p的5位x=0:a=a×t=A的1次方=A的1次方×A的2次方×A的8次方 ,t=t×t=A的64次方
(7)p的6位x=1:a=a×t=A的1次方=A的1次方×A的2次方×A的8次方×A的64次方 ,t=t×t=A的128次方
此时a已经是A的p=75次方了
看图其实已经明白了,咱们完全可以 以o(log§)的速度 搞定矩阵乘幂A的p次幂
手撕代码,搞清楚代码,你更理解上图的矩阵乘法实际上非常非常快
//矩阵A的p次幂
public static int[][] powMatrixAitsPCiMi(int[][] A, int p){
int m = A.length;
int n = A[0].length;
//初始化,a=I,t=A的1次方
int[][] a = new int[m][n];
for (int i = 0; i < m; i++) {
a[i][i] = 1;//单位阵
}
int[][] tmp = A;//基数矩阵
//(1)p的0位x=1:a=a×t=1×A的1次方=A的1次方,t=t×t=A的2次方
//(2)p的1位x=1:a=a×t=A的1次方=A的1次方×A的2次方,t=t×t=A的4次方
//(3)p的2位x=0:~~a=a×t=A的1次方=A的1次方×A的2次方~~ ,t=t×t=A的8次方
//(4)p的3位x=1:a=a×t=A的1次方=A的1次方×A的2次方×A的8次方,t=t×t=A的16次方
//(5)p的4位x=0:~~a=a×t=A的1次方=A的1次方×A的2次方×A的8次方~~ ,t=t×t=A的32次方
//(6)p的5位x=0:~~a=a×t=A的1次方=A的1次方×A的2次方×A的8次方~~ ,t=t×t=A的64次方
//(7)p的6位x=1:a=a×t=A的1次方=A的1次方×A的2次方×A的8次方×A的64次方 ,t=t×t=A的128次方
//此时a已经是A的p=75次方了
//看p的x位是否为1
for(; p != 0; p >>= 1){//每次结束p往右移动1位,p=0结束
if ((p & 1) != 0){
//p最右那个x位=1,需要雷×结果
a = matrixMul(a, tmp);//a=a*t
}
//每次t都需要倍次幂
tmp = matrixMul(tmp, tmp);//t=t*t
}
return a;//返回a
}
这思路,是不是完全,完全跟数字a的p次幂代码一模一样,只不过a最开始是单位阵,tmp是基数A矩阵而已
思路,做法,一模一样
测试结果:
public static void test2(){
int[][] A = {
{1,1},
{1,1}
};
int[][] B = {
{1,1},
{1,1}
};
int[][] C = matrixMul(A, B);
for (int i = 0; i < C.length; i++) {
for (int j = 0; j < C[0].length; j++) {
System.out.print(C[i][j] + " ");
}
System.out.println();
}
System.out.println();
int[][] D = powMatrixAitsPCiMi(A, 2);
for (int i = 0; i < C.length; i++) {
for (int j = 0; j < C[0].length; j++) {
System.out.print(C[i][j] + " ");
}
System.out.println();
}
}
public static void main(String[] args) {
// test();
test2();
}
2 2
2 2
2 2
2 2
非常完美吧!!
总结
提示:重要经验:
1)矩阵A的p次幂,求法,代码完全跟数字a的p次幂的求法一模一样,一定要熟悉,熟练掌握,加速到o(log§),非常快
2)有了矩阵的A的p次幂,咱们后续还要解决类似斐波那契数列的矩阵快速解法,那速度就相当的快了,不用递归求。
3)笔试求AC,可以不考虑空间复杂度,但是面试既要考虑时间复杂度最优,也要考虑空间复杂度最优。