矩阵乘法(蓝桥杯)

本文介绍了一种矩阵幂运算的优化算法,特别关注于在非负矩阵元素条件下,如何通过减少计算时间和避免数据溢出的问题来提高算法效率。通过C++代码实现,并提供了具体的测试案例和运行结果。

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

/*
这个题目博主还是思考和调试了不少时间,因为一直想让自己的算法尽量少花时间(注意!!!矩阵元素非负时,矩阵的0次幂是单位矩阵!!!)。下面扔出C++代码,和右边界运行结果和时间(博主注意到,在N=30,M=5,且矩阵元素均为10时,long long也是不够用的,所以所给的截图是把M改成了4的结果)。
PS:虽然右边界会越界,但提交上去依旧AC了,因为测试数据并没有给那么大,如果某dalao有好的建议,望不吝赐教!
*/
/*问题描述
  给定一个N阶矩阵A,输出A的M次幂(M是非负整数)
  例如:
  A =
  1 2
  3 4
  A的2次幂
  7 10
  15 22
输入格式
  第一行是一个正整数N、M(1<=N<=30, 0<=M<=5),表示矩阵A的阶数和要求的幂数
  接下来N行,每行N个绝对值不超过10的非负整数,描述矩阵A的值
输出格式
  输出共N行,每行N个整数,表示A的M次幂所对应的矩阵。相邻的数之间用一个空格隔开
样例输入
2 2
1 2
3 4
样例输出
7 10
15 22
*/

#include <iostream>
#include <algorithm>
#include <ctime> 
using namespace std;
clock_t start,end;
int main()
{
	long long int A[30][30],S[30][30],T[30][30],N,M;//S放最终结果。A放初始矩阵。T放中间计算过程矩阵 
	cin>>N>>M;
	for(int i=0;i<N;i++)
		for(int j=0;j<N;j++){
			cin>>A[i][j];
			S[i][j]=A[i][j];
			T[i][j]=A[i][j];
		}
	start=clock();//计时 
	do{
		if(M==0){
			for(int i=0;i<N;i++)
				for(int j=0;j<N;j++){
					S[i][j]=0;
					if(i==j) S[i][j]=1;
				} //当要求矩阵的0次幂,结果为单位阵	
			break;
		}	
		if(M==1) break;
		else{
			for(int i=0;i<N;i++){
				for(int j=0;j<N;j++){
					int temp=0;
					for(int k=0;k<N;k++){
						temp+=(T[i][k]*A[k][j]);
					}
					S[i][j]=temp;
				}
			}
			for(int i=0;i<N;i++)
				for(int j=0;j<N;j++)
					T[i][j]=S[i][j];
			M--;
		}
	}while(M>1);
	end=clock();//在打印之前结束计时 
	for(int i=0;i<N;i++){
		for(int j=0;j<N;j++){
			cout<<S[i][j]<<" ";
		}
		cout<<endl;
	}
	cout<<end-start<<" ms"<<endl;
	return 0;
}

Lin

### 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 \( m \times n \)矩阵,而 \( B \) 是一个 \( n \times p \)矩阵,则它们的结果矩阵 \( C \) 将会是一个 \( m \times p \)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
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