矩阵

在数学中，矩阵是一种很重要的表现形式；在OI中，矩阵也是一种很重要的数据结构。
矩阵通常可以用在线性齐次递推式的加速上，比如说加速斐波那契数列的递推过程。
矩阵还可以让多个数据关联起来，并简便地进行区间维护。

基本概念

为了更好地区分矩阵与其他量，我们这里将代表矩阵的符号进行了特殊处理，就像这个样子：

$A \to \mathbf{A}$

矩阵是什么

由 $n \times m$ 个元素组成的，形如

$$\mathbf{A} = \begin{bmatrix} a_{1,1} & a_{1,2} & a_{1,3} & \dots & a_{1,m} \\\\ a_{2,1} & a_{2,2} & a_{2,3} & \dots & a_{2,m} \\\\ a_{3,1} & a_{3,2} & a_{3,3} & \dots & a_{3,m} \\\\ \vdots & \vdots & \vdots & \ddots & \vdots \\\\ a_{n,1} & a_{n,2} & a_{n,3} & \dots & a_{n,m} \end{bmatrix}$$

的 $n$ 行 $m$ 列的数表，我们称之为大小为 $n \times m$ 的矩阵，可以简记为 $\mathbf{A_{\mathcal{n \times m}}}$ 。

特殊的矩阵

特殊的矩阵由很多种，比如单位矩阵、上三角矩阵等等。

行矩阵与列矩阵

行矩阵就是只有一行的矩阵，列矩阵就是只有一列的矩阵。

零矩阵

元素全为 $0$ 的矩阵。
零矩阵简记为 $\mathbf{0}$。

负矩阵

对于一个矩阵 $\mathbf{A}$ 的负矩阵 $-\mathbf{A}$，其中每个元素都与矩阵 $\mathbf{A}$ 内相同位置的元素互为相反数。

方阵

方阵指的就是正方形的矩阵，其行数与列数相等。
此时，其行数（或列数，反正他们相等）就可以被称作该矩阵的阶。

简单来说，一个 $n$ 阶方阵 $\mathbf{A_{\mathcal{n}}}$ 其实就是相当于一个 $n \times n$ 的矩阵 $\mathbf{A_{\mathcal{n \times n}}}$。

单位矩阵

单位矩阵就是指，在主对角线上的元素都是 $1$，其余元素都为 $0$ 的矩阵。
主对角线就是指 $(1,1)$ 到 $(n,n)$。这也说明单位矩阵都是正方形的。

单位矩阵简记为 $\mathbf{I}$。

单位矩阵也有其相应的阶，比如1到4阶的单位矩阵分别是这个样子的：$\mathbf{I_{\mathrm{1}}}=\begin{bmatrix}1\end{bmatrix}$，$\mathbf{I_{\mathrm{2}}}=\begin{bmatrix}1&\\\\&1\end{bmatrix}$，$\mathbf{I_{\mathrm{3}}}=\begin{bmatrix}1&&\\\\&1&\\\\&&1\end{bmatrix}$，$\mathbf{I_{\mathrm{4}}}=\begin{bmatrix}1&&&\\\\&1&&\\\\&&1&\\\\&&&1\end{bmatrix}$。

形象一点，就是这样：
（为 $0$ 的元素太多时一般将其省略）

$$\mathbf{I} = \begin{bmatrix} 1& & & \\\\ &1& & \\\\ & & \ddots & \\\\ & & &1 \end{bmatrix}$$

单位矩阵的一个很重要的性质就是，任何矩阵乘以单位矩阵的结果还是其本身，即 $\mathbf{AI} = \mathbf{IA} = \mathbf{A}$。

有时候还可能将单位矩阵称为 $\mathbf{E}$，但是很少见，我目前还没有见过。

矩阵的运算

矩阵可以进行四则运算，但是与正常的数字还是有所不同。

加减

矩阵的加减要求两个矩阵必须行数列数均相同才可以进行。

加减的时候，每一对位置相同的元素相加或者相减。

形象一点就是这个样子：

$$\mathbf{A} \pm \mathbf{B} = \begin{bmatrix} a & b & c \\\\ d & e & f \end{bmatrix} \pm \begin{bmatrix} g & h & i \\\\ j & k & l \end{bmatrix} = \begin{bmatrix} a \pm g & b \pm h & c \pm i \\\\ d \pm j & e \pm k & f \pm l \end{bmatrix}$$

矩阵的加法满足交换律和结合律。

数乘

就是一个矩阵乘以一个数。

乘起来的时候，矩阵内的每一个元素都要乘以这个数。

形象一点就是这样：

$$λ\mathbf{A} = λ \times \begin{bmatrix} a & b & c \\\\ d & e & f \end{bmatrix} = \begin{bmatrix} λa & λb & λc \\\\ λd & λe & λf \end{bmatrix}$$

矩阵的数乘满足交换律、结合律和分配律。

如果将刚才这个过程反过来的话，就叫做矩阵提公因子。

点乘

点乘是矩阵运算中很重要的一部分。

点乘又叫做矩阵乘法，（基本上）是OI中矩阵的精髓。

矩阵乘法不满足交换律，是因为其需要满足左侧矩阵的列数与右侧矩阵的行数相等。

形象一点，就是 $\mathbf{A_{\mathcal{n \times p}}} \times \mathbf{B_{\mathcal{p \times m}}} = \mathbf{C_{\mathcal{n \times m}}}$。

具体操作的时候是这个样子的：

我们以 $\mathbf{A_{\mathrm{3 \times 3}}} \times \mathbf{B_{\mathrm{3 \times 2}}}$ 为例。

$$\begin{align} & \mathbf{A_{\mathrm{3 \times 3}}} \times \mathbf{B_{\mathrm{3 \times 2}}} \\\\ ={} & \begin{bmatrix} a_{1,1} & a_{1,2} & a_{1,3} \\\\ a_{2,1} & a_{2,2} & a_{2,3} \\\\ a_{3,1} & a_{3,2} & a_{3,3} \end{bmatrix} \times \begin{bmatrix} b_{1,1} & b_{1,2} \\\\ b_{2,1} & b_{2,2} \\\\ b_{3,1} & b_{3,2} \end{bmatrix}\\\\ ={} & \begin{bmatrix} a_{1,1}b_{1,1}+a_{1,2}b_{2,1}+a_{1,3}b_{3,1} & a_{2,1}b_{1,1}+a_{2,2}b_{2,1}+a_{2,3}b_{3,1} & a_{3,1}b_{1,1}+a_{3,2}b_{2,1}+a_{3,3}b_{3,1} \\\\ a_{1,1}b_{1,2}+a_{1,2}b_{2,2}+a_{1,3}b_{3,2} & a_{2,1}b_{1,2}+a_{2,2}b_{2,2}+a_{2,3}b_{3,2} & a_{3,1}b_{1,2}+a_{3,2}b_{2,2}+a_{3,3}b_{3,2} \end{bmatrix} \end{align}$$

除了交换律以外，矩阵乘法只满足结合律和左、右分配律。

幂

矩阵的幂运算与正常的幂运算一样，都是自乘多少次，但是由于矩阵乘法的特殊性质，我们只能给方阵求幂。

$\mathbf{A^{\mathcal{k}}} = \underbrace{\mathbf{AAAA \cdots AA}}_{\text{k of}}$

根据这种性质，我们可以像对数字一样进行快速幂，逻辑与之前一样。

转置

转置就是将一个矩阵顺时针旋转90度。

例：

$$\begin{bmatrix} 1&1&4\\\\5&1&4 \end{bmatrix}^T = \begin{bmatrix} 1&5\\\\1&1\\\\4&4 \end{bmatrix}$$

我们使用 $\mathbf{A}^T$ 来表示矩阵 $\mathbf{A}$ 的转置。

转置满足以下法则：

$$\begin{align} (\mathbf{A}^T)^T &= \mathbf{A} \\\\ (\lambda \mathbf{A})^T &= \lambda \mathbf{A}^T \\\\ (\mathbf{AB})^T &= \mathbf{B}^T \mathbf{A}^T \end{align}$$

实现

我们可以使用一个二维数组来存储矩阵。

就像这个样子：

struct Matrix
{
	int n, m;
	int a[N][N];
};

定义一个初始化函数：

Matrix() {};
Matrix(int n, int m) : n(n), m(m) { memset(a, 0, sizeof(a)) };

重载一下运算符：

加：

friend Matrix operator + (const Matrix &a, const Matrix &b)
{
	Matrix c(a.n, a.m);
	for(int i = 1; i <= a.n; i++)
		for(int j = 1; j <= a.m; j++)
			c.a[i][j] = a.a[i][j] + b.a[i][j];
	return c;
}

乘：

friend Matrix operator * (const Matrix &a, const Matrix &b)
{
	Matrix c(a.n, b.m);
	for(int i = 1; i <= a.n; i++)
		for(int j = 1; j <= b.m; j++)
			for(int k = 1; k <= a.m; k++)
				c.a[i][j] += a.a[i][k] * b.a[k][j];
	return c;
}

乘方（快速幂）：

friend Matrix operator ^ (Matrix &a, int n)
{
	Matrix c(a.n, a.n);
	for(int i = 1; i <= a.n; i++)c.a[i][i] = 1;
	while(n)
	{
		if(n & 1) c = c * a;
		a = a * a;
		n >>= 1;
	}
	return c;
}

再继续加一些其他的重载运算符之后就是这个样子：

struct Matrix
{
	int n, m;
	int a[N][N];
	Matrix() {};
	Matrix(int n, int m) : n(n), m(m) { memset(a, 0, sizeof(a)) };
	friend Matrix operator + (const Matrix &a, const Matrix &b)
	{//加
		Matrix c(a.n, a.m);
		for(int i = 1; i <= a.n; i++)
			for(int j = 1; j <= a.m; j++)
				c.a[i][j] = a.a[i][j] + b.a[i][j];
		return c;
	}
	friend Matrix operator - (const Matrix &a, const Matrix &b)
	{//减
		Matrix c(a.n, a.m);
		for(int i = 1; i <= a.n; i++)
			for(int j = 1; j <= a.m; j++)
				c.a[i][j] = a.a[i][j] - b.a[i][j];
		return c;
	}
	Matrix operator -() const
	{//取反
		Matrix c(n, m);
		for(int i = 1; i <= n; i++)
			for(int j = 1; j <= m; j++)
				c.a[i][j] = -a[i][j];
		return c;
	}
	friend Matrix operator * (const Matrix &a, const Matrix &b)
	{//点乘
		Matrix c(a.n, b.m);
		for(int i = 1; i <= a.n; i++)
			for(int j = 1; j <= b.m; j++)
				for(int k = 1; k <= a.m; k++)
					c.a[i][j] += a.a[i][k] * b.a[k][j];
		return c;
	}
	friend Matrix operator * (const Matrix &a, int k)
	{//数乘
		Matrix c(a.n, a.m);
		for(int i = 1; i <= a.n; i++)
			for(int j = 1; j <= a.m; j++)
				c.a[i][j] = a.a[i][j] * k;
		return c;
	}
	friend Matrix operator ^ (Matrix &a, int n)
	{//快速幂
		Matrix c(a.n, a.n);
		for(int i = 1; i <= a.n; i++)c.a[i][i] = 1;
		while(n)
		{
			if(n & 1) c = c * a;
			a = a * a;
			n >>= 1;
		}
		return c;
	}
};

但其实更常见的是这样子：

struct Matrix
{
	int n, m;
	int a[N][N];
	Matrix() {};
	Matrix(int n, int m) : n(n), m(m) { memset(a, 0, sizeof(a)); };
	friend Matrix operator + (const Matrix &a, const Matrix &b)
	{
		Matrix c(a.n, a.m);
		for(int i = 1; i <= a.n; i++)
			for(int j = 1; j <= a.m; j++)
				c.a[i][j] = a.a[i][j] + b.a[i][j];
		return c;
	}
	friend Matrix operator * (const Matrix &a, const Matrix &b)
	{
		Matrix c(a.n, b.m);
		for(int i = 1; i <= a.n; i++)
			for(int j = 1; j <= b.m; j++)
				for(int k = 1; k <= a.m; k++)
					c.a[i][j] += a.a[i][k] * b.a[k][j];
		return c;
	}
	friend Matrix operator ^ (Matrix &a, int n)
	{
		Matrix c(a.n, a.n);
		for(int i = 1; i <= a.n; i++)c.a[i][i] = 1;
		while(n)
		{
			if(n & 1) c = c * a;
			a = a * a;
			n >>= 1;
		}
		return c;
	}
};

应用

矩阵加速递推

就以矩阵加速斐波那契数列递推为例吧。

我们将第 $n$ 项斐波那契数简写为 $F_n$。

我们知道 $F_n = F_{n-1} + F_{n-2}$，我们就考虑把斐波那契数列的相邻两项放在一个行（或者列，根据个人习惯）矩阵里面，就像这个样子：$\begin{bmatrix}F_i&F_{i-1}\end{bmatrix}$。

我们需要把 $\begin{bmatrix}F_i&F_{i-1}\end{bmatrix}$ 变成 $\begin{bmatrix}F_{i-1}+f_i&F_i\end{bmatrix}$，同时需要用到矩阵乘法。

因为

$$\begin{bmatrix} a & b \end{bmatrix} \times \begin{bmatrix} x & y\\\\ z & w \end{bmatrix} = \begin{bmatrix} ax+bz & ay+bw \end{bmatrix}$$

所以我们如果想让 $\begin{bmatrix}a&b\end{bmatrix}$ 变成 $\begin{bmatrix}a+b&a\end{bmatrix}$ 的话，我们就需要将其乘以 $\begin{bmatrix}1&1\\\\1&0\end{bmatrix}$。

然后就是矩阵快速幂了。
因为我们一开始的 $\begin{bmatrix}1&1\end{bmatrix}$ 是 $\begin{bmatrix}F_2&F_1\end{bmatrix}$，所以我们只需要将其乘以 $\begin{bmatrix}1&1\\\\1&0\end{bmatrix}^{n-2}$ 即可得到 $F_n$。

矩阵辅助维护信息

这种一般就是对于那种同时需要维护多种信息，还需要支持一大堆复杂的操作，但是推式子的时候不会超过一次的那种题，就比如说这一个：

THUSC 大魔法师

我们可以发现其操作（$A_i = A_i + k$，$B_i = B_i \times k$，$C_i = k$）均未出现两个未知量相乘的情况，即可判定其可以利用矩阵乘法来维护。

__EOF__

本文作者：Kaiser Wilheim
本文链接：https://www.cnblogs.com/kaiserwilheim/p/16245133.html
关于博主：评论和私信会在第一时间回复。或者直接私信我。
版权声明：本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
声援博主：如果您觉得文章对您有帮助，可以点击文章右下角【推荐】一下。您的鼓励是博主的最大动力！