矩阵乘法与邻接矩阵

          矩阵乘法与邻接矩阵

          矩乘结合律的证明 \(:\)
          \[\begin{aligned}((\mathbf{A B}) \mathbf{C})[i, j] & \\ &=\sum_{l=1}^{c}\left(\sum_{k=1}^{b} \mathbf{A}[i, k] \mathbf{B}[k, l]\right) \mathbf{C}[l, j] \\ &=\sum_{k=1}^{b} \sum_{l=1}^{c} \mathbf{A}[i, k] \mathbf{B}[k, l] \mathbf{C}[l, j] \\ &=\sum_{k=1}^{b} \mathbf{A}[i, k]\left(\sum_{l=1}^{c} \mathbf{B}[k, l] \mathbf{C}[l, j]\right) \\ &=(\mathbf{A}(\mathbf{B} \mathbf{C}))[i, j] \end{aligned}\]

          矩阵乘法能进行快速幂运算的原因就是因为它具有结合律.

          引例 \(1:\) [TJOI2017]可乐

          相信很多人都能想出一个 \(\Theta(t\times m)\) 的做法.(虽然我没想出来,但这只是因为我菜)

          问题简化一下,如果我们没有在原地停留和自爆两个操作,那么就是问从起点出发,走 \(t\) 步的不同路径数.

          这个问题怎么做呢?

          不考虑 \(Dp\) .

          令该图的邻接矩阵是 \(G\) , 那么我们考虑 \(G^2\) 是个什么东西.(此处的幂运算是指矩阵的幂).

          我们单独考虑某一行和某一列的相关运算 \(:\) 令其为 \(G_{a,i}\)\(G_{i,b}\) , 令 \(G'\) 为相乘得到的矩阵,那么会有 \(:\)

          \[G'_{a,b} = \sum_{i=1}^m{G_{a,i}\times G_{i,b}}\]

          容易发现,当且仅当 \(G_{a,i}\)\(G_{i,b}\) 都不为零,即 \(i\) 点可连通 \(a,b\) 两点的时候上式的该项才为 \(1\) , 否则为零.

          那么所有的这些情况累加起来,就是从 \(a\)\(b\) 长度为 \(2\) 的路径条数.(即走 \(2\) 步从 \(a\) 走到 \(b\) 的方案数,长度是 \(2\) 是因为经过一个中间点.)

          由此,我们可以得到, \(G^2\) 得到的矩阵其实表示了任意两点间长度为 \(2\) 的路径条数.

          那么 \(G^3\) 是否就表示任意两点间长度为 \(3\) 的路径条数呢?

          \(G'=G^2\) , \(G''\)\(G^3\). 那么有:

          \[G''=G'\times G\]

          \[G''_{a,b}=\sum_{i=1}^n\sum_{j=1}^n{G_{a,i}\times G_{i,j}\times G_{j,b}}\]

          分析方法与上面相同,于是我们归纳结论如下:

          \(G\) 表示一张图的邻接矩阵表示,那么 \(G^i\) 表示任意两点间长度为 \(i\) 的路径条数.

          那么我们就解决了引例的简化问题.

          那么怎么处理引例中的自爆和原地不动呢?

          很简单,原地不动视为自环,自爆就额外建一个虚点,表示自爆,这里要注意的是,不需要从虚点连回原图,因为自爆之后就不能再走了.

          于是我们解决了引例.

          那么矩乘是否仅仅只有这一个用处呢?

          引例 \(2:\) USACO07NOV Cow Relays

          题目大意 \(:\) 求从 \(s\)\(t\) 经过 \(k\) 条边的最短路.

          这个问题乍一看很眼熟,似乎就是上一个问题在细节上做一下变换得到.

          但你仔细思考会发现,最短路这个看似平凡的条件竟然不能用加法和乘法解决.

          但其实这也合理,因为我们知道最短路的求法都是以类似于 \(Dp\) 的松弛操作为核心的,也就是说有一个核心运算 \(: min!\)

          那么是否可以用矩阵解决这个运算呢?

          考虑 \(Floyd\) 的过程,其核心代码是 \(f_{i,j}=min(f_{i,j},f_{i,k}+f_{k,j})\)

          这给了我们一定启发,因为 \(Floyd\) 的过程和矩乘的过程十分相似.( \(Floyd\) 的本质是滚掉一维的三维 \(Dp\))

          于是,我们大胆定义新的矩乘 \(:\)

          令矩阵 \(A\) 和 矩阵 \(B\) 相乘的结果为矩阵 \(C\) .

          则定义:

          \[C_{a,b}=\sum_{i=1}^m{min(A_{x,i},B_{i,y})}\]

          容易发现,这个矩乘同样具有结合律.(可以从 \(min\) 运算是和 \(+\) 运算具有同样性质的二元运算符考虑,证明与普通矩乘相同).

          那么这样,我们直接应用引例 \(1\) 中的结论即可解决该题.

          引例 \(3:\) 最小最大边问题

          找不到题目了,国集论文没给题目来源,找不到.

          最小最大边问题 \(:\) 给定一张有向图,求某两点间通过边数恰好为 \(k\) 的路径,使得最大边最小.

          同样的熟悉,同样的问题.

          考虑如果没有长度恰好为 \(k\) 的做法,那么就是把 \(Floyd\) 的核心代码换成 \(:\)
          \[f_{i,j}=max(f_{i,j},min(f_{i,k},f_{k,j}))\]

          能否采用与上面相同的方式重定义矩乘呢?答案是肯定的.

          令矩阵 \(A\) 和矩阵 \(B\) 相乘的结果为矩阵 \(C\).

          则定义 \(:\)

          \[C_{a,b}=\max_{i=1}^m\{min(A_{x,i},B_{i,y})\}\]

          直接套用上面的结论即可.

          参考文献 \(:\) 2008年国集论文(ACM Paper):矩阵乘法在信息学中的应用--余华程

          相关文章
          相关标签/搜索
          三十码期期必中√资料今晚六给彩开奖结果,白小姐中特玄机,六开彩开奖现场直播,2017开奖记录开奖结果,开马现场直播,马报免费资料2017大全