蓝桥杯之矩阵乘法

【解析】
这题的规模很小,直接暴力计算矩阵的nnn次幂即可,但是为了练习一下快速幂,我就用的快速幂的方法。
将矩阵做成一个结构体/类,用二维数组存放值,别忘了用于矩阵初始化的构造函数。

【代码】

#include<iostream>
#include<algorithm>
#include<cstring>
#include<cmath>
using namespace std;
const int maxn = 100 + 10;
int m, n;
struct Matrix {
	int M[maxn][maxn];
	Matrix() { memset(M, 0, sizeof(M)); }
	Matrix(int t) {
		for (int i = 0;i < m;i++) {
			for (int j = 0;j < m;j++) {
				if (i == j) M[i][j] = 1;
				else M[i][j] = 0;
			}
		}
	}
};
Matrix mul(Matrix a, Matrix b)
{
	Matrix c;
	for (int i = 0;i < m;i++)
		for (int j = 0;j < m;j++)
			for (int k = 0;k < m;k++)
				c.M[i][j] += a.M[i][k] * b.M[k][j];
	return c;
}
Matrix quickPow(Matrix a, int k)
{
	if (!k) return Matrix(1);
	Matrix res = a;
	int ex = 1;
	while ((ex << 1) <= k) {
		res = mul(res, res);
		ex <<= 1;
	}
	return mul(res, quickPow(a, k - ex));
}
int main()
{
	while (cin >> m >> n)
	{
		Matrix mm, t;
		for (int i = 0;i < m;i++)
			for (int j = 0;j < m;j++)
				cin >> mm.M[i][j];
		t = quickPow(mm, n);
		for (int i = 0;i < m;i++) {
			for (int j = 0;j < m;j++)
				cout << t.M[i][j] << ' ';
			cout << endl;
		}
	}
	return 0;
}
### 关于蓝桥杯 Python 矩阵乘法的解题思路 矩阵乘法是一个常见的线性代数操作,在编程竞赛中也时常出现。以下是针对蓝桥杯 Python 实现矩阵乘法的具体分析和示例代码。 #### 1. 矩阵乘法规则 两个矩阵 \( A \) 和 \( B \) 可以相乘的前提条件是:\( A \) 的列数等于 \( B \) 的行数。假设 \( A \) 是一个 \( m \times n \) 的矩阵,而 \( B \) 是一个 \( n \times p \) 的矩阵,则它们的结果矩阵 \( C \) 将会是一个 \( m \times p \) 的矩阵。其中每个元素 \( c_{ij} \) 计算方式如下: \[ c_{ij} = \sum_{k=0}^{n-1} a_{ik} b_{kj} \] 这表示结果矩阵中的第 \( i \) 行第 \( j \) 列的值是由 \( A \) 中第 \( i \) 行与 \( B \) 中第 \( j \) 列对应位置元素逐项相乘再求和得到[^1]。 #### 2. 示例代码实现 下面提供了一个基于上述规则的 Python 实现方法: ```python def matrix_multiply(A, B): # 获取矩阵维度 rows_A = len(A) cols_A = len(A[0]) rows_B = len(B) cols_B = len(B[0]) # 检查是否满足矩阵乘法条件 if cols_A != rows_B: raise ValueError("A 的列数必须等于 B 的行数") # 初始化结果矩阵 result = [[0 for _ in range(cols_B)] for _ in range(rows_A)] # 进行矩阵乘法计算 for i in range(rows_A): for j in range(cols_B): for k in range(cols_A): # 或者说rows_B result[i][j] += A[i][k] * B[k][j] return result # 测试数据 matrix_A = [ [1, 2], [3, 4] ] matrix_B = [ [5, 6], [7, 8] ] result_matrix = matrix_multiply(matrix_A, matrix_B) for row in result_matrix: print(row) ``` 此代码定义了一个函数 `matrix_multiply` 来完成两矩阵之间的乘积运算,并通过嵌套循环实现了核心逻辑[^2]。 #### 3. 提高效率的方法 对于较大规模的数据集来说,朴素算法可能显得低效。此时可以考虑引入 NumPy 库来加速处理过程。NumPy 使用底层优化过的 C 函数执行数值计算,因此性能远高于纯 Python 实现。 ```python import numpy as np # 定义输入矩阵 A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) # 执行矩阵乘法 C = np.dot(A, B) print(C) ``` 这里我们调用了 NumPy 的内置 dot 方法来进行高效矩阵乘法[^3]。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值