数学/数论专题-学习笔记：矩阵小记#1

目录

• 1. 前言
• 2. 定义
  • 2.1 向量
  • 2.2 矩阵
• 3. 运算
  • 3.1 矩阵加/减法
  • 3.2 矩阵乘法
  • 3.3 二项式展开
• 4. 总结

1. 前言

本篇文章是作者学习矩阵时候的一些个人笔记。

由于作者是个高中 OIer，因此并不会涉及到有关线性代数的很多知识，只记录与 OI 有关的矩阵。

这边建议学线性代数的人看一下这篇博文，讲的非常好：理解矩阵（一）（Author：孟岩）。

2. 定义

2.1 向量

讲矩阵之前我们先来讲讲向量。

前置知识：高中数学向量。

向量的英文名是 vector。

由平面向量基本定理可知，任何一个向量都可以被表示成 $a\vec{e_1}+b\vec{e_2}$，称这个向量的坐标是 $(a,b)$。这是二维空间内的向量。

现在我们扩展一下，扩展到 $n$ 维向量，同样可以将任意一个向量表示成这样：$\vec{z}=a_1\vec{e_1}+a_2\vec{e_2}+...+a_n\vec{e_n}$。

那么记 $\vec{z}$ 的坐标是 $(a_1,a_2,...,a_n)$。

这就是向量。有没有发现跟一维数组长得很像？

2.2 矩阵

矩阵说白了就是一堆数框起来，就像下面这样：

$$\begin{bmatrix}2&3&4\\1&8&3\\5&4&3\end{bmatrix}$$

也就是个二维数组，其大小为 $3 \times 3$。

当然只是这样理解，会导致在做某些毒瘤题的时候搞不清楚到底要干什么，所以还是要把向量拉进来。

---

理解 1：

从向量的角度看，一个大小为 $n \times m$ 的矩阵实际上就是 $n$ 个 $m$ 维向量的组合。

比如还是上面这个矩阵，就是 $(2,3,4),(1,8,3),(5,4,3)$ 这三个向量的组合。

---

理解 2：

从坐标系的角度看，我们可以认为矩阵描述了一个坐标系。

这个坐标系是 $m$ 维的，该坐标系中的每一个单位向量是一个 $n$ 维向量。

显然对于 $n=m$ 的时候上面这句话是成立的，但是对于 $n \neq m$ 的情况上面这句话同样成立。

为什么？

毕竟向量平移之后是一样的，你完全可以将这 $m$ 个 $n$ 维向量的起点重合，这样这些向量就可以决定这个 $m$ 维空间。

如果不理解，看孟岩的理解矩阵（一）。

当然作为一个 OIer，简单记住矩阵的方式就是矩阵是个二维数组，但是坐标系这个理解方式很有必要，否则你会对矩阵乘法蒙圈的。

矩阵里面有一类特殊的矩阵：单位矩阵 $I$，也就是主对角线上元素为 1，其余为 0 的矩阵，像这样：

$$\begin{bmatrix}1&0&0\\0&1&0\\0&0&1\end{bmatrix}$$

3. 运算

3.1 矩阵加/减法

矩阵的加法与减法就是对应元素一一相加/减。

能够相加/减的矩阵大小必须相同，都是 $n \times m$。

比如说下面的矩阵相加减就是个很好的例子：

$$\begin{bmatrix}2&4&8\\1&3&2\end{bmatrix}+\begin{bmatrix}3&2&9\\1&4&6\end{bmatrix}=\begin{bmatrix}5&6&17\\2&7&8\end{bmatrix}$$

$$\begin{bmatrix}2&4&8\\1&3&2\end{bmatrix}-\begin{bmatrix}3&2&9\\1&4&6\end{bmatrix}=\begin{bmatrix}-1&2&-1\\0&-1&-4\end{bmatrix}$$

另外还有一种比较少见的矩阵加法方式是直和，参见百度百科。

矩阵加法是满足交换律与结合律的。

3.2 矩阵乘法

先给一下定义：设两个矩阵 $A,B$，大小分别为 $a \times b,b \times c$，那么 $A$ 乘以 $B$ 的结果是 $C=AB$，其大小为 $a \times c$，$C$ 中每个元素计算方式如下：

$$C_{i,j}=\sum_{i=1}^{a}\sum_{j=1}^{c}\sum_{k=1}^{b}A_{i,k} \times b_{k,j}$$

这说明两个矩阵相乘，必须要满足前一个的列数等于后一个的行数。

从这里我们也可以给出矩阵中幂的定义：$A^n=AAA...A$（$n$ 个 $A$）

对于 OIer 而言，更常用的是两个 $n \times n$ 的矩阵相乘。

但是矩阵乘法为什么要这样定义呢？这样定义的意义在哪里？

实际上前面说过矩阵是个坐标系。

因此我们可以认为矩阵乘法 $AB$ 是表示组成 $B$ 的向量们在坐标系 $A$ 下面的一个描述，在 $A$ 的描述下这些向量所组成的矩阵为 $C$。

矩阵乘法满足结合律，但是并不满足交换律。

对于单位矩阵而言，有一个特殊的性质：$IA=I$。

这边给一下矩阵乘法的代码：

struct Matrix
{
    int a[MAXN][MAXN], r, c;
    Matrix operator *(const Matrix &fir)
    {
        Matrix tmp; memset(tmp.a, 0, sizeof(tmp.a));
        tmp.r = r; tmp.c = fir.c;
        for (int i = 1; i <= r; ++i)
            for (int k = 1; k <= c; ++k)
            {
                int t = a[i][k];
                for (int j = 1; j <= fir.c; ++j)
                    { tmp.a[i][j] += t * fir.a[k][j]; tmp.a[i][j] %= m; }
            }
        return tmp;
    }
};

注意上述代码的循环顺序与矩阵乘法定义的循环顺序有所不同，实际上这两者是等价的，而上述代码利用了 Cache 的性质卡常，使得矩阵乘法的常数不至于太大。

3.3 二项式展开

首先回顾实数上的二项式定理：$(a+b)^n=\sum_{i=0}^{n}C_{n}^{i}a^{i}b^{n-i}$。

所以两个矩阵 $A,B$，$(A+B)^n=\sum_{i=0}^{n}C_{n}^{i}A^{i}B^{n-i}$ 就成立了？

并不是，有个条件 $AB=BA$，也叫做 $A,B$ 可交换，只有在此条件下上式成立。

严谨证明不会，但是可以感性理解，比如说 $(a+b)^2=a^2+b^2+ab+ba$，由于实数满足 $ab=ba$，所以可以合并成 $a^2+b^2+2ab$，但是 $(A+B)^2=A^2+B^2+AB+BA$ 中 $AB$ 不一定等于 $BA$，所以不能合并，而只有 $AB=BA$ 时才能合并，此时可以证明上面矩阵的二项式展开是对的。

这玩意的主要应用是出题人可能会在这里挖个坑恶心你。

4. 总结

• 向量：记 $\vec{z}=a_1\vec{e_1}+a_2\vec{e_2}+...+a_n\vec{e_n}$ 的坐标是 $(a_1,a_2,...,a_n)$，形如一维数组。
• 矩阵：形如二维数组，可以看作是一些向量的组合，也可以看作是一个坐标系。
• 矩阵加/减法：对应元素相加/减。
• 矩阵乘法：设两个矩阵 $A,B$，大小分别为 $a \times b,b \times c$，那么 $A$ 乘以 $B$ 的结果是 $C=AB$，其大小为 $a \times c$，$C$ 中每个元素计算方式如下：

$$C_{i,j}=\sum_{i=1}^{a}\sum_{j=1}^{c}\sum_{k=1}^{b}A_{i,k} \times b_{k,j}$$

• 二项式展开：当且仅当 $A,B$ 可交换时，有 $(A+B)^n=\sum_{i=0}^{n}C_{n}^{i}A^{i}B^{n-i}$。