数据结构
回顾上次我们描述稀疏矩阵转置算法时描述稀疏矩阵的数据结构。
# define MAXSIZE 12500 // 最大的非零元素个数
typedef struct{
int i,j; // 分别表示非零元素的行下标和列下标
ElemType e; // 元素值
}Triple;
typedef union{
Triple data[MAXSIZE + 1]; // 所有的非零元素, data[0]弃用
int mu, nu, tu; // 矩阵的行数、列数和总共的非零元素个数
}TSMatrix;
可以发现这个样的数据结构无法随机地定位任意一行非零元,因此为了方便做乘法,需要重构数据结构辅助创建一个带有每行首个非零元位置的数组
。这类带有行链接信息
的三元组表又被称作行逻辑链接的顺序表
如下:
typedef struct{
Triple data[MAXSIZE + 1]; // 所有的非零元素, data[0]弃用
int rpos[MAXRC + 1]; // 各行第一个非零元素的位置表
int mu, nu, tu; // 矩阵的行数、列数和总共的非零元素个数
}TSMatrix;
算法
对于传统的矩阵相乘,其中为矩阵,为矩阵,若,则有:
for (i = 1; i < m1; ++i){
// 左矩阵的每一行
for(j = 1; j < n2){
// 右矩阵的每一列
Q[i][j] = 0;
for(k = 1; k < n1; ++k){
// 左矩阵的列数 = 右矩阵的行数
// 对于左矩阵特定行 和 右矩阵特定列 元素逐一相乘再求和
Q[i][j] += M[i][k] * N[k][j];
}
}
}
该算法的时间复杂度为对于三元组表作为存储结构的时候上述的运算不能直接套用,可以做出如下分析:
-
乘积矩阵中元素的表示方式为:
-
0和任何数相乘都为0,因此上述算法中的
M[i][k] * N[k][j]
中的M[i][k]
和N[k][j]
都必须为非0的项。因此只需要确保
M.data[each_p].j = N.data[each_q].i
匹配的元素才进行运算。 -
若
M.data[p].j = N.data[q].i
,计算得到的M.data[p].e * N.data[q].e
也只是目标矩阵的某个元的其中一部分,真正的元还需要累加这些结果,因此需要一个累加器来存储结果。 -
虽然和都是稀疏矩阵,但是结果未必是稀疏矩阵。同时,的元素是否是非零元只有在累加完毕后才能得知。由于中元素的行号和中元素的行号一致,且中元素的排列是以M的行序为主序的,所以对进行计算的时候可以对进行逐行处理,先求得中间结果(的一行),再压缩到
Q.data
中去。
具体思路如下:
Q初始化
if(M.tu * N.tu != 0){
for(M的每一行arow{
累加器清0
计算Q中第arow行的N.nu个结果存入累加器
将累加器中的非零元存入 Q.data
}
}
具体算法如下:
Status MultSMatrix(RLSMatrix M, RLSMatrix N, RLSMatrix &Q){
if(M.nu != N.mu) return ERROR;
Q.mu = M.mu; Q.nu = N.nu; Q.tu = 0; // 初始化Q
if(M.tu * N.tu != 0){
// 确保不能直接得出0矩阵的结果
for(arrow = 1; arow <= M.mu; ++arow){
// 处理 M 的每一行
// 当前行的各元素的累加器(数组长度为M.nu,最后ctemp中将为Q的第arow行的所有元素值)
ctemp[] = 0;
// Q的每一行的第一个非0元素,都会等于目前Q的所有元素个数 + 1 (因为Q是行主序的)
Q.rpos[arow] = Q.tu + 1;
for(p = M.rpos[arow]; p < M.rpos[arow + 1]; ++p){
// 遍历M当前行的每一个非零元素(列)
// 直接含义:获取当前元素的列号
// 隐藏含义:获取N中对应元素的行号
brow = M.data[p].j;
// t为 N中对应行的最后一个元素的位置 + 1 (从而可以遍历N中对应的行,使得 累加器的的元素(列)都能增加,直到M当前行中的最后一个元素被遍历,累加器才全部构造好Q第一行的元素。)
if(brow < N.nu) t = N.rpos[brow + 1];
else { t = N.tu + 1; }
for(q = N.rpos[brow]; q < t; ++q){
// 乘积元素在Q中的列号
ccol = N.data[q].j;
// 累加每一列的乘积和
ctemp[ccol] += M.data[p].e * N.data[q].e;
}
}
// 这一行的结果已经计算出。
// 压缩这一行到Q中。
for(ccol = 1; ccol < Q.nu; ++ccol){
if(ctemp[ccol]){
if(++Q.tu > MAXSIZE) return ERROR;
Q.data[Q.tu] = {arow, ccol, ctemp[ccol]};
}
}
}
}
}
分析上述算法可得,ctemp
初始化的时间复杂度为(初始化应该就是置空的意思,ctemp
的元素个数是N.nu
)。求的所有非零元的时间复杂度为(就是平均每行的元素个数),进行压缩的时间复杂度为。因此,总复杂度是。
当是一个行列的稀疏矩阵,是一个$n$行$p$列的稀疏矩阵。则$M$中的非零元素个数为$\mathrm{M} . \mathrm{tu}=\delta_{\mathrm{M}} \times \mathrm{m} \times \mathrm{n}$,$N$中的非零元素个数为$\mathrm{N} . \mathrm{tu}=\delta_{\mathrm{N}} \times \mathrm{n} \times \mathrm{p}$。此时算法总体的时间复杂度为$O(m \times p \times (1 + n\delta_{\mathrm{M}}\delta_{\mathrm{N}}))$,当$\delta_{\mathrm{M}} < 0.05$和$\delta_{\mathrm{N}} < 0.05$及$n < 1000$时就相当于$O(m \times p)$。