编程基础 - 特殊矩阵的压缩存储 (Compressed Storage of Special Matrix)

最新推荐文章于 2024-08-07 14:47:09 发布
最新推荐文章于 2024-08-07 14:47:09 发布
阅读量721 收藏 4
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 基础知识 文章标签： 矩阵 压缩 数组 C++ 基础
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/darkrabbit/article/details/89574603
本文介绍了如何用C++实现特殊矩阵（如上三角、下三角、对称、三对角矩阵）和稀疏矩阵的压缩存储及还原。通过计算存储位置、设计数据结构，实现了矩阵的压缩与解压，特别地，对于稀疏矩阵，存储了非零元素的行号、列号和值。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

编程基础 - 特殊矩阵的压缩存储 (Compressed Storage of Special Matrix)

返回分类：全部文章 >> 基础知识

本文将用C++实现特殊方阵和稀疏矩阵的压缩存储。

在查看本文之前，需要一些程序语言的基础，还要对“矩阵”与“二维数组”有一定了解。

文章目录

1 特殊矩阵 (Special Matrix)

特殊矩阵：非零元素或零元素的分布有一定规律的矩阵。

压缩存储：在特殊矩阵中为了节省空间，有一些元素不必存储。

在程序中，最常见的特殊矩阵：

  • 上三角矩阵：方阵中只在上三角有元素；

  • 下三角矩阵：方阵中只在下三角有元素；

  • 对称矩阵：方阵中的上三角与下三角关于对角线对称；

  • 三对角矩阵：方阵中只有主对角线及其上下临近平行线有元素；

  • 稀疏矩阵：非零元素的数量远远小于矩阵元素数量。

    • 稀疏因子e：非零元素与长宽乘积的比值（有人认为e小于0.05才能称为稀疏矩阵）

10x10特殊矩阵格式如下：

上三角矩阵：
  1   2   3   4   5   6   7   8   9  10
  0  11  12  13  14  15  16  17  18  19
  0   0  20  21  22  23  24  25  26  27
  0   0   0  28  29  30  31  32  33  34
  0   0   0   0  35  36  37  38  39  40
  0   0   0   0   0  41  42  43  44  45
  0   0   0   0   0   0  46  47  48  49
  0   0   0   0   0   0   0  50  51  52
  0   0   0   0   0   0   0   0  53  54
  0   0   0   0   0   0   0   0   0  55

下三角矩阵：
  1   0   0   0   0   0   0   0   0   0
  2   3   0   0   0   0   0   0   0   0
  4   5   6   0   0   0   0   0   0   0
  7   8   9  10   0   0   0   0   0   0
 11  12  13  14  15   0   0   0   0   0
 16  17  18  19  20  21   0   0   0   0
 22  23  24  25  26  27  28   0   0   0
 29  30  31  32  33  34  35  36   0   0
 37  38  39  40  41  42  43  44  45   0
 46  47  48  49  50  51  52  53  54  55

对称矩阵：
  1   2   4   7  11  16  22  29  37  46
  2   3   5   8  12  17  23  30  38  47
  4   5   6   9  13  18  24  31  39  48
  7   8   9  10  14  19  25  32  40  49
 11  12  13  14  15  20  26  33  41  50
 16  17  18  19  20  21  27  34  42  51
 22  23  24  25  26  27  28  35  43  52
 29  30  31  32  33  34  35  36  44  53
 37  38  39  40  41  42  43  44  45  54
 46  47  48  49  50  51  52  53  54  55

三对角矩阵：
  1   2   0   0   0   0   0   0   0   0
  3   4   5   0   0   0   0   0   0   0
  0   6   7   8   0   0   0   0   0   0
  0   0   9  10  11   0   0   0   0   0
  0   0   0  12  13  14   0   0   0   0
  0   0   0   0  15  16  17   0   0   0
  0   0   0   0   0  18  19  20   0   0
  0   0   0   0   0   0  21  22  23   0
  0   0   0   0   0   0   0  24  25  26
  0   0   0   0   0   0   0   0  27  28

稀疏矩阵：
  0   0   0   0   0   0   0   0   0   0
 17   0   0   0   3   0   0   0   0   0
  0   0  69   0   0   0   0   0   0   0
  0   0   0   0   0   0   0   0  61   0
  0   0   0  42   0  98   0   0   0   0
  0   0   0   0   0   0   0   0   0  88
  0   0   0   0   0   0   0  53   0   0
  0   0   0   0   0   0   0   0   2   0
  0   0   0   0   0   0   0   0   0   0
  0   0   0   0  60   0   0   0   0   0

2 压缩矩阵 (Compress Matrix)

压缩存储，一般是采用数组或列表形式存储它们。

我们要干的是：

  • 计算它们存储位置（下标）

  • 如何根据压缩结构还原成矩阵

（提示：在优快云的app中，公式有可能会乱码，可以用网页查看）

我们在这里，假设 n × n n \times n n×n 矩阵二维数组或向量的纵下标 i i i ，横下标 j j j ，压缩后下标 k k k 。它们都是从0开始。稀疏矩阵比较特殊。

压缩后数组长度size:

  • 上三角矩阵、下三角矩阵和对称矩阵： s i z e = n × ( n + 1 ) 2 size = \frac{n \times (n + 1)}{2} size=2n×(n+1)​

  • 三对角矩阵（第一行，最后一行是2个元素，其余都是3个元素）： s i z e = 3 × n − 2 size = 3 \times n - 2 size=3×n−2

  • 稀疏矩阵：非零元素数量

矩阵下标转压缩数组下标 （按行） ：

  • 上三角方阵

    • 第 i i i 行之前的元素数量： ( n − ( i − 1 ) ) + n 2 × i \frac{(n - (i - 1)) + n}{2} \times i 2(n−(i−1))+n​×i
    • 第 i i i 行第 j j j 列之前的元素数量： j − i j - i j−i
    • 最终下标 k k k 为：
      k = ( 2 × n − i + 1 ) × i 2 + ( j − i ) k = \frac{(2 \times n - i + 1) \times i}{2} + (j - i) k=2(2×n−i+1)×i​+(j−i)

  • 下三角方阵与对称矩阵

    • 第 i i i 行之前的元素数量： ( 1 + i ) × i 2 \frac{(1 + i) \times i}{2} 2(1+i)×i​
    • 第 i i i 行第 j j j 列之前的元素数量： j j j
    • 最终下标 k k k 为：
      k = ( 1 + i ) × i 2 + j k = \frac{(1 + i) \times i}{2} + j k=2(1+i)×i​+j

  • 三对角方阵

    • 第 i i i 行之前的元素数量： 0 , ( i = 0 ) ; 3 × i − 1 , ( i > 0 ) 0,(i=0); \quad 3 \times i - 1, (i>0) 0,(i=0);3×i−1,(i>0)
    • 第 i i i 行第 j j j 列之前的元素数量： j , ( i = 0 ) ; j − i + 1 , ( i > 0 ) j ,(i=0); \quad j - i + 1,(i>0) j,(i=0);j−i+1,(i>0)
    • 最终下标 k k k 为：
      k = 2 × i + j k = 2 \times i + j k=
最低0.47元/天 解锁文章

200万优质内容无限畅学
SciPy 科学计算基础
风口IT猪的成长录
12-13 1844
SciPy 科学计算基础SciPy科学计算基础SciPy的constants模块SciPy的special模块SciPy.linalgSciPy中的优化SciPy中的图像处理SciPy中的信号处理 SciPy科学计算基础 Scipy是一款用于数学、科学和工程领域的Python工具包，可以处理插值、积分、优化、图像处理、常微分方程数值解的求解、信号处理等问题。 SciPy的constants模块 SciPy的constants模块包含了大量用于科学计算的常数。 from scipy import consta
特殊矩阵的压缩存储
qq_36314864的博客
03-31 464
数组的定义 数组是由n(n>=1)个相同类型的数据元素构成的有限序列，每个数据元素称为一个数组元素，每个元素受n个线性关系的约束，每个元素在n个线性关系中序号称为该元素的下标，并称为该数组为n维数组。 数组和线性表的关系：数组是线性表的推广。一维数组可视为一个线性表；二维数组可视为元素是线性表的线性表，以此类推。数组一旦被定义，其维数和维界就不再改变。因此，除结构的初始化和销毁外，数组只会有存取元素和修改元素的操作。 一维数组的存储结构 一个数组的所有元素在内存中占用一段连续的存储空间。 以一维数组
特殊矩阵和压缩存储
05-27
这是关于几种特殊矩阵的压缩存储，包括上、下三角矩阵、对称矩阵、正交矩阵
矩阵压缩存储
zhangwang010的博客
06-11 825
对称矩阵的压缩实现原理c二维数组存储在c中矩阵的表示是用二维数组。那么首先要搞清楚数组行列与矩阵行列的对应。在c语言中二维数组是按行存储的。即顺序存储每一行。（第一行，第二行。。。最后一行） 看一下例子：数组数量替换成arrs[i][j]，方便说明。 int arrs[i][j] = {{1,2,3}, {1,2,3}, {1
【数据结构】特殊矩阵的压缩存储
DAY I 的成长之路
06-24 4192
💯矩阵的压缩存储：特殊矩阵有对称矩阵，三角矩阵，三对角矩阵，稀疏矩阵，数组是由n个相同类型的数据元素所构成的有限序列数组是线性表的推广：一维数组可以看做是一个线性表，而对于二维数组而言，可以看成是有多个线性表组成的线性表也就是每一行列视都为一个线性表，总的线性表内每一个元素也是一个定长的线性表。
数据结构 - 图 I (Graph I)
DarkRabbit的专栏
05-26 1264
本文将介绍图的基础知识，并用C++实现它。
"深入学习数据结构：数组、串与广义表
Special matrices, such as sparse matrices, have a large number of zero elements that can be compressed to reduce storage space and improve efficiency in matrix operations. Sparse matrices, discussed...
A002-186-2639-高艳萍
m0_46527226的博客
12-27 1108
性能要求(performance requirement) https://www.ibm.com/support/knowledgecenter/en/ssw_aix_71/performance/doc_perf_reqs.html https://checkpointech.com/what-performance-requirements/ http://agileload.com/agileload/blog/2012/11/16/performance-testing-requirements.
特殊矩阵的压缩存储.cpp
06-16
特殊矩阵的压缩存储，包含对称矩阵，上下三角矩阵，对角矩阵，稀疏矩阵
数据结构_特殊矩阵的压缩存储
qq_2210007943的博客
08-02 1118
数据结构_特殊矩阵的压缩存储对称矩阵三角矩阵对角矩阵 压缩存储：对于一个矩阵之中的相同元素分配同一存储单元。 矩阵的压缩存储通常是将二维数据存储的矩阵映射到一维数组之中。 对称矩阵 若n阶矩阵满足a ij = a ji （1<=i,j<=n），称为n阶对称矩阵。 若n阶矩阵为对称矩阵，那么实现压缩存储，只需要对矩阵的含对角线的上三角进行存储。（如图的虚线框内）对于对称矩阵可以用上三角也可以用下三角，下三角的表达式容易推导，所以采用下三角，想用上三角的可以参考三角矩阵的内容。 我们需要把虚线框
【数据结构】特别篇：特殊矩阵的压缩存储
From Quantitative to Qualitative Change
08-07 1238
前面共存储有 1 + 2 + 3 + 4 + 5 + 6 + 1 = 22 个元素 ( 数组下标范围为0 ~ 21 )，注意数组下标从 0 开始，故。n(n+1)/2+1] 中，则存放到 B[k] 中的非零元素。+ (n - j + 2) = (j-1)(2n - j + 2) / 2 个元素，，矩阵 M 的第一行有 12 元素，第二行有 11 个，第三行有 10 个，第四行有 9 个，第五行有 8 个，所以。共有 1 + 2 + 3 + …n(n+1)/2+1] 中， 则存放到B[k] 中的非零元素。
数据结构——特殊矩阵的压缩存储
Cybenko
08-11 1524
数据结构——特殊矩阵的压缩存储 矩阵的压缩存储：将矩阵的元素按照某种分布规律存储在较小的存储单元中。 1、对称矩阵的压缩存储           n阶对称矩阵：一个n阶的矩阵A中的元素满足a(ij)=a(ji)(0<i,j<n-1)。由于矩阵中的元素是关于主对角线对称的，那么就可以只存储上三角或者下三角矩阵中的元素，这样就可以把原来需要存储n*n个元素压缩至n*(n-1)/2个元素了。使用一维数组s[k]以行为主存储对称矩阵A(i,j)的下三角元
数据结构特殊矩阵的压缩存储
最新发布
05-24
### 特殊矩阵的压缩存储方法 特殊矩阵是指具有特定规律性的矩阵，例如对称矩阵、三角矩阵、三对角矩阵以及稀疏矩阵等。这些矩阵由于其特殊的性质，在实际应用中可以通过压缩存储的方式减少内存占用并优化计算效率。 #### 对称矩阵的压缩存储 对于一个 \(n \times n\) 的对称矩阵 \(A\)，其中满足 \(a_{ij} = a_{ji}\) （\(0 \leq i, j < n\)）。可以仅存储下三角部分（含主对角线），因为上三角部分的数据可以从下三角部分推导得出。 假设按照行优先顺序存储，则第 \(k\) 个元素的位置可通过如下公式计算[^1]： \[ k = \frac{i(i+1)}{2} + j \quad (i \geq j)\] 如果 \(i < j\)，则交换 \(i\) 和 \(j\) 后再查找对应的存储位置。 ```python def symmetric_matrix_compress(matrix): compressed = [] n = len(matrix) for i in range(n): for j in range(i + 1): # 只遍历下半部分 compressed.append(matrix[i][j]) return compressed ``` --- #### 三角矩阵的压缩存储 三角矩阵分为上三角矩阵和下三角矩阵两种情况。以上三角矩阵为例，只需存储主对角线及其上方的部分。同样采用行优先方式存储时，第 \(k\) 个元素的位置可由以下公式确定[^1]: \[ k = \frac{(i)(i+1)}{2} + j - i\] 如果是下三角矩阵，则需调整索引范围以适应不同的存储模式。 ```python def upper_triangular_compress(matrix): compressed = [] n = len(matrix) for i in range(n): for j in range(i, n): # 遍历上半部分 compressed.append(matrix[i][j]) return compressed ``` --- #### 三对角矩阵的压缩存储 三对角矩阵的特点是只有主对角线及相邻两条对角线上存在非零元素。因此可以用三个一维数组分别表示这三条对角线上的值。设矩阵大小为 \(n \times n\)，则每条对角线最多有 \(n\) 或 \(n-1\) 个元素[^1]。 ```python def tridiagonal_compress(matrix): main_diag = [] # 主对角线 lower_diag = [] # 下次对角线 upper_diag = [] # 上次对角线 n = len(matrix) for i in range(n): main_diag.append(matrix[i][i]) # 存储主对角线 if i > 0: lower_diag.append(matrix[i][i-1]) # 存储下次对角线 if i < n-1: upper_diag.append(matrix[i][i+1]) # 存储上次对角线 return {"main": main_diag, "lower": lower_diag, "upper": upper_diag} ``` --- #### 稀疏矩阵的压缩存储 稀疏矩阵指的是大部分元素为零的矩阵。通常使用 **三元组表** 来存储非零元素的信息，即记录每个非零元素所在的行列坐标及其数值。这种方式不仅节省空间，还便于后续处理如转置等操作[^4]。 然而需要注意的是，在涉及加法、乘法等复杂运算时，可能需要频繁更新三元组中的内容或者重新构建新的三元组列表，从而带来额外开销[^2]。 ```python class SparseMatrix: def __init__(self, rows, cols): self.rows = rows self.cols = cols self.triple_list = [] def add_nonzero(self, row, col, value): """ 添加非零元素 """ self.triple_list.append((row, col, value)) def transpose(self): """ 转置稀疏矩阵 """ transposed = [(col, row, val) for row, col, val in self.triple_list] return sorted(transposed, key=lambda x: (x[0], x[1])) ``` --- ### 总结 通过上述几种常见的特殊矩阵压缩存储技术可以看出，合理利用矩阵特性能够显著降低资源消耗，并提升程序运行性能。但在选择具体的实现方案前应充分考虑应用场景需求，权衡不同策略之间的利弊。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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