矩阵乘法的算法实现 [转载]

一般矩阵乘法算法：

原理：矩阵相乘最重要的方法是一般矩阵乘积。它只有在第一个矩阵的栏数（column）和第二个矩阵的列数（row）相同时才有定义。一般单指矩阵乘积时，指的便是一般矩阵乘积。若A为m×n矩阵，B为n×p矩阵，则他们的乘积AB会是一个m×p矩阵。其乘积矩阵的元素如下面式子得出：

代码如下：

struct mat{
    int n, m;
    double data[MAXN][MAXN];
};

int mul(mat& c, const mat& a, const mat& b){
    int i, j, k;
    if (a.m != b.n)
        return 0;
    c.n = a.n;
    c.m = b.m;
    for (i = 0; i < c.n; i++)
        for (j = 0; j < c.m; j++)
            for (c.data[i][j] = k = 0; k < a.m; k++)
                c.data[i][j] += a.data[i][k] * b.data[k][j];
    return 1;
}

时间复杂度：O(n³)

传统分治方法：

C = AB

将A, B, C分成相等大小的方块矩阵：

C₁₁=A₁₁B₁₁+A₁₂B₂₁                           (2)

C₁₂=A₁₁B₁₂+A₁₂B₂₂                           (3)

C₂₁=A₂₁B₁₁+A₂₂B₂₁                           (4)

C₂₂=A₂₁B₁₂+A₂₂B₂₂                           (5)

     如果n=2，则2个2阶方阵的乘积可以直接用(2)-(5)式计算出来，共需8次乘法和4次加法。当子矩阵的阶大于2时，为求2个子矩阵的积，可以继续将子矩阵分块，直到子矩阵的阶降为2。这样，就产生了一个分治降阶的递归算法。依此算法，计算2个n阶方阵的乘积转化为计算8个n/2阶方阵的乘积和4个n/2阶方阵的加法。2个n/2×n/2矩阵的加法显然可以在c*n2/4时间内完成，这里c是一个常数。因此，上述分治法的计算时间耗费T(n)应该满足：

T(2) = b

T(n) = 8T(n / 2) + cn²   (n > 2)

由上式可知：分治法的运用，方阵的乘法的算法效率并没有提高！

分治法的设计思想：将一个难以直接解决的大问题，分割成一些规模较小的相同问题，以便各个击破，分而治之。

      任何一个可以用计算机求解的问题所需的计算时间都与其规模有关。问题的规模越小，越容易直接求解，解题所需的计算时间也越少。例如，对于n个元素的排。n=2时，只要作一次比较即可排好序。n=3时序问题，当n=1时，不需任何计算只要作3次比较即可，…。而当n较大时，问题就不那么容易处理了。要想直接解决一个规模较大的问题，有时是相当困难的。

分治法所能解决的问题一般具有以下几个特征：

1.可缩性。问题的规模缩小到一定的程度就可以容易地解决；

2.最有子结构性。问题可以分解为若干个规模较小的相同问题；

3.可合性。利用该问题分解出的子问题的解可以合并为该问题的解；

4.独立性。该问题所分解出的各个子问题是相互独立的，即子问   题之间不包含公共的子子问题。

分治思想与递归就像一对孪生兄弟，经常同时应用在算法设计中，并由此产生高效的算法！

Strassen算法

传统方法2个2阶方阵相乘需要8次乘法。按照上述分治法的思想可以看出，要想减少乘法运算次数，关键在于计算2个2阶方阵的乘积时，能否用少于8次的乘法运算。Strassen提出了一种新的算法来计算2个2阶方阵的乘积。他的算法只用了7次乘法运算，但增加了加、减法的运算次数。这7次乘法是:

M₁=A₁₁(B₁₂-B₂₂)                           

M₂=(A₁₁+A₁₂)B₂₂

M3=(A₂₁+A₂₂)B₁₁

M₄=A₂₂(B₂₁-B₁₁)

M₅=(A₁₁+A₂₂)(B₁₁+B₂₂)

M₆=(A₁₂-A₂₂)(B₂₁+B₂₂)

M₇=(A₁₁-A₂₁)(B₁₁+B₁₂)

做了7次乘法后，再做若干次加、减法：　

C₁₁=M₅+M₄-M₂+M₆

C₁₂=M₁