标签：end 基础 矩阵 times cdots 线性代数 pmatrix vdots
矩阵和行列式
矩阵
矩阵乘法
规定两个矩阵 \(A, B\) 可乘，当且仅当 \(A\)的列数 \(=\) \(B\)的行数（即\(A, B\)相容）.
设矩阵 \(C\) \(=\) \(A\times B\) ，则 \(\forall(i, j)\) ，有 \(c_{i,j}=\sum\limits_{k=1}^{N} a_{i,k}b_{k,j}\) 。可见\(C\)的行数 \(=\) \(A\)的行数，\(C\)的列数 \(=\) \(B\)的列数。
根据此定义，不难证明矩阵乘法满足结合律（但不一定满足交换律，有时交换了甚至不可乘），因此可以快速幂。
值得注意的是，定义 \(n\) 阶矩阵即 \(n\times n\) 的矩阵，对于一个 \(n\) 阶的矩阵的确有左单位元和右单位元，但不一定存在逆元，因此 \(n\) 阶矩阵的全体和矩阵乘法不能构成群。
矩阵的逆
\(n\times n\) 矩阵 \(A\) 的逆 \(A^{-1}\) （如果存在）为满足 \(AA^{-1}=I_n=A^{-1}A\) 的 \(n\times n\) 矩阵。
一个没有逆的矩阵称为不可逆的，或奇异的；
反之有逆的矩阵称为可逆的，或非奇异的。
逆操作和转置可以交换顺序。
矩阵的秩
如果存在不全为零的相关系数 \(c_1, c_2, \cdots, c_n\) 使得 \(c_1 x_1+c_2 x_2+\cdots+c_n x_n=0\) 则称向量 \(x_1,x_2,\cdots,x_n\) 是线性相关的；
反之不存在不全为0的相关系数 \(c_1, c_2, \cdots, c_n\) 使得 \(c_1 x_1+c_2 x_2+\cdots+c_n x_n=0\) 则称向量 \(x_1,x_2,\cdots,x_n\)是线性无关的。
非零 \(m\times n\) 矩阵 \(A\) 的列秩是 \(A\) 的最大线性无关列集合的大小；类似地，矩阵 \(A\) 的行秩是 \(A\) 的最大线性无关行集合的大小。有结论：A的列秩=A的行秩，所以可以简称为 \(A\) 的秩。秩的等价定义是：非零 \(m\times n\) 矩阵 \(A\) 的秩是满足如下条件的最小数值 \(r\)：存在 \(m\times r\) 矩阵 \(B\) 和 \(r\times n\) 矩阵 \(C\) ， 使得 \(A=BC\)。如果 \(n\times n\) 方阵的秩是 \(n\) ，则它是满秩的。如果 \(m\times n\) 方阵的秩是 \(n\) ，则它是列满秩的；类似地，如果 \(m\times n\) 方阵的秩是 \(m\) ，则它是行满秩的。
矩阵 \(A\) 的空向量 \(x\) 是一个满足 \(Ax=0\) 的非零向量。
矩阵的行列式
\(n\times n\) \((n>1)\) 矩阵 \(A\) 的 \(i\) 行 \(j\) 列子矩阵是一个删除 \(A\) 中 \(i\) 行 \(j\) 列后得到的 \((n-1)\times(n-1)\) 矩阵 \(A_{[i j]}\) 。
我们利用 \(n\times n\) 矩阵 \(A\) 的子矩阵递归地定义该矩阵的行列式：
\[\det(A)=\left\{\begin{array}{rcl} &a_{11} & {n=1}\\ &\sum\limits_{j=1}^{n}(-1)^{1+j}a_{1j}\det(A_{[ij]}) & {n>1}\\\end{array} \right. \]\((-1)^{i+j}\det(A_{[ij]})\) 称为元素 \(a_{ij}\) 的代数余子式。
行列式还有一种等价定义：
\[det(A)=\sum (-1)^ka_{1k_1}a_{2k_2}\cdots a_{nk_n} \]其中 \(k_1,k_2,\cdots,k_n\) 是 \(1\sim n\) 的一个排列， \(k\) 是该排列中的逆序对个数。
行列式的性质
- 如果矩阵 \(A\) 中某行（或某列）为零，则 \(\det(A)=0\)
- 当将矩阵 \(A\) 的任意一行（或列）的每个元素乘以 \(\lambda\) 后，\(A\) 的行列式乘以 \(\lambda\)
- 如果将矩阵 \(A\) 中某一行（或列）的元素加到另一行（或列）的元素上，则 \(A\) 的行列式不变
- 矩阵 \(A\) 的行列式与转置 \(A^T\) 的行列式相等
- 当交换 \(A\) 的任意两行（或两列）时，行列式改变正负号
Proof
- 在为零的行（或列）展开即证。 \(\blacksquare\)
- 对比在被乘的行（或列）的展开和原矩阵在该行（或列）的展开即证。 \(\blacksquare\)
- 考虑变换前后矩阵的行列式之差即可。 \(\blacksquare\)
- 分别按行展开和按列展开即证。\(\blacksquare\)
- 可以证明结论：考虑一个 \(1\sim n\) 的排列 \(P\) ，\(\forall i\not=j\)，交换 \(p_i,p_j\) ，则 \(P\) 中逆序对个数奇偶性改变。简单证明该结论：对数量变化产生影响的只有满足 \(min\{p_i,p_j\}<p_k<max\{p_i,p_j\}\) 且 \(i<k<j\) 的 \(p_k\) 和 \(p_i,p_j\) 产生的逆序对与 \(p_i,p_j\) 产生的逆序对 ：设满足 \(min\{p_i,p_j\}<p_k<max\{p_i,p_j\}\) 且 \(i<k<j\) 的 \(k\) 的个数为 \(x\) ，则逆序对数量改变了 \(\pm 2x\) ；而 \(p_i,p_j\) 之间由于交换使数量改变了 \(\pm 1\) ；所以共改变了 \(\pm 2x\pm 1\) 个，是一个奇数，所以总逆序对的个数奇偶性改变。根据此结论，考虑逆序对定义即证。\(\blacksquare\)
综合 性质\(2\) 性质\(3\) 有结论：如果将矩阵 \(A\) 中某一行（或列）的元素元素乘以 \(\lambda\) 加到另一行（或列）的元素上，则 \(A\) 的行列式不变。
线性递推
首先要明确如何利用矩阵乘法。矩阵乘法可以快速幂，也就是说，如果一个式子中，同一个矩阵连乘许多次，设 矩阵的行数 \(=\) 矩阵的列数 \(=\) \(n\)，就可以考虑倍增在 \(Θ(n^2\log(k))\) 的时间内完成 \(k\) 次矩阵乘法。因此，构造 状态构成的矩阵和 常数构成的矩阵，就可以快速从一个状态转移到另一个状态。
小Z和二阶线性递推数列
对于本题, 给出递推式：
\[\begin{pmatrix} f_{n}\\ f_{n-1}\end{pmatrix}=\begin{pmatrix}a & b\\ 1 & 0 \end{pmatrix}\times\begin{pmatrix}f_{n-1}\\ f_{n-2}\end{pmatrix} \]于是得到通项：
\[\begin{pmatrix} f_{n}\\ f_{n-1}\end{pmatrix}=\begin{pmatrix}a & b\\ 1 & 0 \end{pmatrix}^{n-2}\times\begin{pmatrix}f_{2}\\ f_{1}\end{pmatrix} \]而 \(\begin{pmatrix}a & b\\ 1 & 0 \end{pmatrix}^{n-2}\) 是可以快速幂的。
矩阵表达修改
大魔法师
考虑使用线段树维护区间，操作需要满足的性质有结合律和分配率，矩阵加法和乘法恰好满足。
对于每个节点，和朴素线段树相同，要记录左右端点和两个儿子（如果不是叶节点），区间和是 \(4\times1\) 的矩阵，从第一行开始分别为 \(\Sigma A_i, \Sigma B_i, \Sigma C_i, \Sigma 1\) 。懒标记是 \(4\times4\) 的矩阵, 用于暂时储存其管理区间变换的叠加（因为满足结合律和分配率）。之前提到，对于 \(n\times n\) 的矩阵上的乘法的确是有左、右单位元的。各种操作按题意模拟即可。
树上询问
定长路径统计
限长路径计数/最短路
特殊的矩阵
范德蒙德矩阵
这玩意的行列式比较特殊，所以有时会用到。
范德蒙德矩阵的行列式
设 $V(x_0, x_1, \cdots, x_{n-1})= \begin{pmatrix} 1& x_0& x_0^2& \cdots& x_0^{n-1}\ 1& x_1& x_1^2& \cdots& x_1^{n-1}\ \vdots& \vdots& \vdots& \ddots& \vdots\1& x_{n-1}& x_{n-1}^2& \cdots& x_{n-1}^{n-1}\end{pmatrix}
$
则 \(det(V(x_0, x_1, \cdots, x_{n-1}))=\prod\limits_{0\le j<k \le n-1}(x_k-x_j)\)
Proof :
对 \(n\) 归纳：
\(n\le2\) 时结论是平凡的.
假设 \(n=n_0-1\) 时成立, 考虑 \(n=n_0\)：
\(\quad\left|\begin{matrix} 1& x_0& x_0^2& \cdots& x_0^{n}\\ 1& x_1& x_1^2& \cdots& x_1^{n}\\ \vdots& \vdots& \vdots& \ddots& \vdots\\1& x_{n}& x_{n}^2& \cdots& x_{n}^{n}\end{matrix}\right|=\left|\begin{matrix} 1& x_0-x_0& x_0^2-x_0\times x_0& \cdots& x_0^{n}-x_0\times x_0^{n-1}\\ 1& x_1-x_0& x_1^2-x_0\times x_1& \cdots& x_1^{n}-x_0\times x_1^{n-1}\\ \vdots& \vdots& \vdots& \ddots& \vdots\\1& x_{n}-x_0& x_{n}^2-x_0\times x_n& \cdots& x_{n}^{n}-x_0\times x_n^{n-1}\end{matrix}\right|\)
\(=\left|\begin{matrix} 1& 0& 0& \cdots& 0\\ 1& x_1-x_0& (x_1-x_0)\times x_1& \cdots& (x_1-x_0)\times x_1^{n-1}\\ \vdots& \vdots& \vdots& \ddots& \vdots\\1& x_{n}-x_0& (x_{n}-x_0)\times x_n& \cdots& (x_{n}-x_0)\times x_n^{n-1}\end{matrix}\right|\)
\(=\left|\begin{matrix} x_1-x_0& (x_1-x_0)\times x_1& \cdots& (x_1-x_0)\times x_1^{n-1}\\ x_2-x_0& (x_2-x_0)\times x_2& \cdots& (x_2-x_0)\times x_2^{n-1}\\\vdots& \vdots& \ddots& \vdots\\x_{n}-x_0& (x_{n}-x_0)\times x_n& \cdots& (x_{n}-x_0)\times x_n^{n-1}\end{matrix}\right|\)
\(=\prod\limits_{1\le i\le n}(x_i-x_0) \times \left|\begin{matrix} 1& x_1& \cdots& x_1^{n-1}\\ 1& x_2& \cdots& x_2^{n-1}\\\vdots& \vdots& \ddots& \vdots\\1& x_n& \cdots& x_n^{n-1}\end{matrix}\right|\)
\(=\prod\limits_{0=j< k\le n}(x_k-x_0) \times \prod\limits_{1\le j<k \le n}(x_k-x_j)\)
\(=\prod\limits_{0\le j<k \le n}(x_k-x_j)\)
\(\blacksquare\)
标签：end,基础,矩阵,times,cdots,线性代数,pmatrix,vdots 来源： https://www.cnblogs.com/gsjz/p/14669155.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。