陣列名稱.ppt

大綱 矩陣運算 高斯消去法 圖形的最短路徑 摘要 矩陣的操作是科學和工程計算的核心，很多線性代數的問題都可以利用矩陣操作來求得答案 除了基礎的入門介紹，再討論可降低矩陣相乘時間的Strassen 演算法，最後再介紹如何利用矩陣的操作，來解決線性方程式的問題 矩陣基本性質 矩陣與向量 矩陣操作的定義 反矩陣 矩陣（matrix）是數字所排列的陣列 轉置矩陣（transpose）AT是把行列互換 矩陣 向量 所謂的向量（vector）則是數字的一維陣列 單位向量（unit vector）就是指第i個元素為1，其他皆為0的向量 零矩陣（zero matrix）則是指所有的元素都為0的矩陣 正方形的矩陣n×n的基本特性 對角線矩陣（diagonal matrix）是指除了對角線上的元素之外，其他元素皆為0 的矩陣 n×n 單位矩陣（identity matrix）In 是指對角線上的元素都是1，其他都是0 的對角線矩陣 正方形的矩陣n×n的基本特性(續) 三對角線矩陣（tridiagonal matrix）T 是一種帶狀的對角線矩陣，其除了對角線、對角線正上方一排與對角線正下方一排之外，其他元素皆為0 的矩陣 正方形的矩陣n×n的基本特性(續) 上三角矩陣（upper-triangular matrix）U是對角線上方元素不為0，其下方元素全為0的一種矩陣 正方形的矩陣n×n的基本特性(續) 下三角矩陣（lower-triangular matrix）L則和上三角矩陣相反，是指對角線以下元素不為0，對角線以上都為0的矩陣 正方形的矩陣n×n的基本特性(續) 排列組合矩陣（permutation matrix）P在每一列或是每一行只有一個1，其他都是0 對稱矩陣（symmetric matrix）A滿足A=AT的條件 矩陣操作的定義 矩陣加法（matrix addition） 如果A=(aij)與B=(bij)是m×n的矩陣，則矩陣C=(cij)=A+B，也是m×n的矩陣，則表示為 cij= aij+ bij，其中i=1,2…,m，j=1,2,…,n。 矩陣減法（matrix subtraction） 就是加上一個負的矩陣，例如： B=A+(-B) 矩陣操作的定義 (續) 矩陣乘法（matrix multiplication） 假設A與B矩陣為兩個相容矩陣，也就是說A的行數等於B的列數，如果A=(aij)為一個m×n的矩陣，B=(bjk)為一個n×p的矩陣，則矩陣乘積C=AB=(cik)為一個m×p的矩陣，其表示為 其中i=1,2,…,m，k=1,2,…,p 反矩陣 n×n矩陣A的反矩陣也是n×n矩陣，並且表示為A-1，而且AA-1=A-1A，例如： 不過並非每個n×n矩陣都有反矩陣，如果A具有反矩陣，我們說A是可反轉（invertible）或非奇異（non-singular）矩陣； 否則，則說A是不可反轉（non-invertible）或奇異（singular）矩陣。 如果A與B是非奇異n×n矩陣，則(BA)-1=A-1B-1 Strassen演算法 假設A與B矩陣皆為矩陣，且n為2的冪次方（也就是說n為1、2、4、8、16…），如果n=1，則矩陣乘積就是直接A與B相乘，若我們考慮n1，則我們可以把這個矩陣分成4個的小矩陣，表示如下： Strassen演算法 (續) 採用Strassen方法來得到7個小矩陣D、E、….、J，其分別定義為： Strassen演算法 (續) 矩陣D到J需要7次矩陣乘法，6次矩陣加法，和4次矩陣減法運算才能得到。這時候我們可以計算C矩陣，如下： 總共透過6次矩陣加法與2次矩陣減法得到C矩陣。 時間複雜度 假設t(n)為Strassen演算法所需要的運算時間，因為大的矩陣都會被分割成小的矩陣，直到每個矩陣小於或等於k（k至少為8或是更大），其次數的遞迴公式表示如下： 其中cn2表示完成矩陣加減法及把大矩陣分割成小矩陣所需的時間。 Strassen演算法可以在O(n2.81)時間內執行完，因此當n足夠大的時候，其會比直接計算的O(n3)還要來的快。 線性方程式 假設我們有n個未知數x1,x2,…,xn，它的線性方程式如下 則我們可以很方便的重寫成 線性方程式 (續) 或是用簡潔一點的表示法，讓A=(aij)，x=(xi)，以及b=(bi)，則 Ax=b 如果A不是奇異矩陣，則A具有反轉矩陣A-1，則可得 x=A-1b 這就是解答。 LUP分解 LUP分解是找出3個n×n的矩陣L、U、P，讓 PA=LU 其中L是一個單位下三角矩陣，U是上三角矩陣，P是一