数据结构：矩阵
- 矩阵是由 m 行 n 列元素排列成的二维矩形数组，是线性代数和计算机科学中基础的数据结构。在编程中，矩阵通常用于表示二维数据（如图像像素、邻接矩阵）、线性变换、方程组等场景。
- 资料：
https://pan.quark.cn/s/43d906ddfa1b、https://pan.quark.cn/s/90ad8fba8347、https://pan.quark.cn/s/d9d72152d3cf
一、矩阵的定义与表示
1. 数学定义
一个 m×n 矩阵 （m 行 n 列）可表示为：
A=a11a12...a1na21a22...a2n⋮⋮⋱⋮am1am2...amn A = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \end{bmatrix} A= a11a21⋮am1a12a22⋮am2......⋱...a1na2n⋮amn
其中 aija_{ij}aij 表示矩阵第 iii 行第 jjj 列的元素，矩阵的维度记为 m×n。
2. 编程中的存储方式
在计算机中，矩阵的存储主要有两种方式：
- 二维数组（行优先存储） ：最常用的方式，如 Python 的
list[list]、Java 的int[][]，按行顺序存储元素，访问a[i][j]的时间复杂度为 O(1)O(1)O(1)。 - 一维数组映射 ：将二维矩阵映射到一维数组，通过公式
index = i * n + j（行优先）或index = j * m + i（列优先）计算元素位置，适合底层内存优化。
二、矩阵的核心分类
根据元素分布和维度特征，矩阵可分为以下常见类型：
- 方阵 ：行数和列数相等（m=n）的矩阵，如 3×3 矩阵。方阵可定义对角线元素 （aiia_{ii}aii）、上三角矩阵 （对角线下方元素全为 0）、下三角矩阵（对角线上方元素全为 0）。
- 单位矩阵 ：一种特殊的方阵，对角线元素全为 1，其余元素全为 0，记为 III。例如 3×3 单位矩阵：
I3=100010001 I_3 = \begin{bmatrix}1&0&0\\0&1&0\\0&0&1\end{bmatrix} I3= 100010001 - 零矩阵 ：所有元素均为 0 的矩阵，记为 OOO。
- 对称矩阵 ：满足 aij=ajia_{ij}=a_{ji}aij=aji 的方阵，其转置等于自身（AT=AA^T=AAT=A）。
- 稀疏矩阵 ：大部分元素为 0 的矩阵，通常用三元组（行号, 列号, 值）或十字链表存储，节省空间。
三、矩阵的核心操作
1. 基础操作
| 操作 | 描述 | 时间复杂度 |
|---|---|---|
| 访问元素 | 获取第 i 行第 j 列的元素 | O(1)O(1)O(1) |
| 矩阵转置 | 将矩阵的行和列互换，得到 ATA^TAT，满足 ATij=AjiA^Tij = AjiATij=Aji | O(m×n)O(m×n)O(m×n) |
| 矩阵加法 | 两个同维度矩阵对应位置元素相加，要求 AAA 和 BBB 均为 m×n 矩阵 | O(m×n)O(m×n)O(m×n) |
| 标量乘法 | 矩阵中所有元素乘以一个常数 k | O(m×n)O(m×n)O(m×n) |
2. 矩阵乘法
矩阵乘法是矩阵的核心操作，仅当第一个矩阵的列数等于第二个矩阵的行数时可乘。
- 若 AAA 是 m×pm×pm×p 矩阵，BBB 是 p×np×np×n 矩阵，则乘积 C=A×BC=A×BC=A×B 是 m×nm×nm×n 矩阵，其中：
Cij=∑k=0p−1Aik×Bkj Cij = \sum_{k=0}^{p-1} Aik × Bkj Cij=k=0∑p−1Aik×Bkj - 时间复杂度：O(m×p×n)O(m×p×n)O(m×p×n)，是算法优化的重点（如 Strassen 算法可优化至 O(n2.81)O(n^{2.81})O(n2.81)）。
3. 特殊操作
- 矩阵求逆 ：仅方阵可逆时存在逆矩阵 A−1A^{-1}A−1，满足 A×A−1=IA×A^{-1}=IA×A−1=I，常用于解线性方程组。
- 行列式计算 ：仅适用于方阵，是衡量矩阵是否可逆的重要指标，记为 det(A)det(A)det(A)。
四、矩阵的实现示例（Python）
python
class Matrix:
def __init__(self, data):
"""初始化矩阵，data为二维列表"""
self.data = data
self.rows = len(data)
self.cols = len(data[0]) if self.rows > 0 else 0
def __str__(self):
"""矩阵的字符串表示"""
return '\n'.join([' '.join(map(str, row)) for row in self.data])
def transpose(self):
"""矩阵转置"""
transposed = [[self.data[j][i] for j in range(self.rows)] for i in range(self.cols)]
return Matrix(transposed)
def add(self, other):
"""矩阵加法，要求维度相同"""
if self.rows != other.rows or self.cols != other.cols:
raise ValueError("矩阵维度不匹配，无法相加")
result = []
for i in range(self.rows):
row = [self.data[i][j] + other.data[i][j] for j in range(self.cols)]
result.append(row)
return Matrix(result)
def multiply(self, other):
"""矩阵乘法，要求self.cols == other.rows"""
if self.cols != other.rows:
raise ValueError("矩阵维度不匹配，无法相乘")
result = []
for i in range(self.rows):
row = []
for j in range(other.cols):
# 计算C[i][j] = sum(A[i][k] * B[k][j])
val = sum(self.data[i][k] * other.data[k][j] for k in range(self.cols))
row.append(val)
result.append(row)
return Matrix(result)
# 使用示例
if __name__ == "__main__":
# 初始化两个矩阵
A = Matrix([[1, 2, 3], [4, 5, 6]]) # 2×3矩阵
B = Matrix([[7, 8], [9, 10], [11, 12]]) # 3×2矩阵
C = Matrix([[1, 2], [3, 4]]) # 2×2矩阵
print("矩阵A:")
print(A)
print("\n矩阵A的转置:")
print(A.transpose())
print("\n矩阵C + C:")
print(C.add(C))
print("\n矩阵A × B:")
print(A.multiply(B))五、矩阵的典型应用
- 图的存储：用邻接矩阵表示图的顶点关系，如无权图用 0/1 表示边的存在，加权图用权重值表示。
- 图像处理：图像的每个像素对应矩阵的一个元素，矩阵的变换（如旋转、缩放）可实现图像的几何变换。
- 线性代数计算：解线性方程组、特征值分析、线性变换（如旋转矩阵、投影矩阵）。
- 动态规划优化：如 Floyd-Warshall 算法用矩阵存储任意两点间的最短路径。
- 机器学习：神经网络的权重参数、卷积核均以矩阵形式存储，矩阵乘法是前向传播的核心计算。
六、稀疏矩阵的优化存储
对于稀疏矩阵（大部分元素为 0），直接用二维数组存储会浪费大量空间，常用以下优化方式：
- 三元组存储 ：用列表存储所有非零元素的
(行号, 列号, 值)，例如矩阵[[0,2,0],[3,0,0],[0,0,5]]可存储为[(0,1,2), (1,0,3), (2,2,5)]。 - 十字链表：用链表同时按行和列存储非零元素，适合频繁插入/删除非零元素的场景。