Strassen Strassen算法

问题

用Strassen算法计算两个$n$阶矩阵相乘$C = A \times B$。

行列式

$n$阶行列式（Determinant）：

$$\begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix}$$

表示$n$个元素的乘积

$$a_{1 j_{1}} a_{2 j_{2}} \cdots a_{n j_{n}}$$

的代数和。其中$j_{1}, j_{2}, \dots, j_{n}$是$1, 2, \dots, n$的一个排列。当$j_{1}, j_{2}, \dots, j_{n}$是奇排列时该项带负号，当$j_{1}, j_{2}, \dots, j_{n}$是偶排列时该项带正号。对于元素$a_{j_{p} j_{q}}$下标的两个数字，若$1 \leq p \lt q \leq n$且$j_{p} \gt j_{q}$则称这两个有序的数$[ j_{p}, j_{q} ]$是逆序对。逆序对的数量称为逆序对数。若$a_{1 j_{1}} a_{2 j_{2}} \cdots a_{n j_{n}}$中所有元素下标的逆序对数为偶数，则称排列$j_{1}, j_{2}, \dots, j_{n}$为偶排列；否则为奇排列。

即

$$\begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \quad & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix} = \sum_{j_{1} j_{2} \cdots j_{n}} (-1)^{ \tau (j_{1} j_{2} \cdots j_{n}) } a_{1 j_{1}} a_{2 j_{2}} \cdots a_{n j_{n}}$$

其中$\tau (j_{1} j_{2} \cdots j_{n})$是行列式的逆序数，$\sum_{j_{1} j_{2} \cdots j_{n}}$表示对所有$n$阶排列求和，该式称为$n$阶行列式的完全展开式。

特别的$2$阶行列式和$3$阶行列式的完全展开式分别为

$$\begin{vmatrix} a & b \\ c & d \end{vmatrix} = a \cdot d - b \cdot c$$

$$\begin{vmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{vmatrix} = a_{11} a_{22} a_{33} + a_{12} a_{23} a_{31} + a_{13} a_{21} a_{32} - a_{13} a_{22} a_{31} - a_{12} a_{21} a_{33} - a_{11} a_{23} a_{32}$$

行列式操作和特性：

$(1)$ 经过转置行列式的值不变，即$\begin{vmatrix} A^T \end{vmatrix} = \begin{vmatrix} A \end{vmatrix}$。行列式的转置是将$A$的行和列交换，得到$A^{T}$，转置行列式的任意元素满足$a_{ij}^{t} = a_{ji}$；例如

$$A_{33} = \begin{vmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{vmatrix} \quad A_{33}^{T} = \begin{vmatrix} a_{11} & a_{21} & a_{31} \\ a_{12} & a_{22} & a_{32} \\ a_{13} & a_{23} & a_{33} \end{vmatrix}$$

$(2)$ 行列式中的任意两行/列交换位置，行列式的值不变；例如

$$\begin{vmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{vmatrix} = \begin{vmatrix} a_{21} & a_{22} & a_{23} \\ a_{11} & a_{12} & a_{13} \\ a_{31} & a_{32} & a_{33} \end{vmatrix} = \begin{vmatrix} a_{22} & a_{21} & a_{23} \\ a_{12} & a_{11} & a_{13} \\ a_{32} & a_{31} & a_{33} \end{vmatrix}$$

特别的，当两行/列相同时，该行列式的值为$0$；

$(3)$ 某行/列中所有元素若存在公因子$k$，则可以将$k$提到行列式外；例如

$$\begin{vmatrix} k \cdot a_{11} & k \cdot a_{12} & \cdots & k \cdot a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix} = k \cdot \begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix}$$

特别的，某行/列的值全为$0$，该行列式的值为$0$；某两行/列的元素对应成比例，行列式的值为$0$；

$(4)$ 某行/列的每个元素是两个元素之和，则可以把行列式拆分为两个行列式之和；例如

$$\begin{vmatrix} a_{1} + b_1 & a_{2} + b_2 & a_{3} + b_3 \\ c_{1} & c_{2} & c_{3} \\ d_{1} & d_{2} & d_{33} \end{vmatrix} = \begin{vmatrix} a_{1} & a_{2} & a_{3} \\ c_{1} & c_{2} & c_{3} \\ d_{1} & d_{2} & d_{33} \end{vmatrix} + \begin{vmatrix} b_{1} & b_{2} & b_{3} \\ c_{1} & c_{2} & c_{3} \\ d_{1} & d_{2} & d_{33} \end{vmatrix}$$

$(5)$ 把某行/列的$k$倍加到另一行/列上，行列式的值不变；例如

$$\begin{vmatrix} a_{1} & a_{2} & a_{3} \\ b_{1} & b_{2} & b_{3} \\ c_{1} & c_{2} & c_{33} \end{vmatrix} = \begin{vmatrix} a_{1} & a_{2} & a_{3} \\ b_{1} + k \cdot a_{1} & b_{2} + k \cdot a_{2} & b_{3} + k \cdot a_{3} \\ c_{1} & c_{2} & c_{33} \end{vmatrix}$$

矩阵

矩阵（Matrix）：$n \times m$个数字组成的$n$行$m$列的表格$A_{nm}$

$$A_{nm} = \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1m} \\ a_{21} & a_{22} & \cdots & a_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nm} \end{bmatrix}$$

其中第$i$行第$j$列的元素为$a_{ij}$（$1 \leq i \leq n, 1 \leq j \leq m$）。特别的当$n = m$时称矩阵$A$为$n$阶矩阵或$n$阶方阵。

矩阵操作和特性：

$(1)$ 零矩阵：所有元素都为$0$的矩阵

$$\begin{bmatrix} 0 & 0 & \cdots & 0 \\ 0 & 0 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & 0 \end{bmatrix}$$

零矩阵记为$O$。

$(2)$ 若两矩阵$A_{nm}$和$B_{st}$的行和列数量相等，即$n = s, m = t$，称。的两矩阵称为同型矩阵。若同型矩阵的所有对应元素也想等，则两矩阵相等。

$(3)$ $n$阶方阵$A$构成的行列式称为$A$的行列式，记作$\begin{vmatrix} A \end{vmatrix}$。注意矩阵是一个表格，而行列式经过计算后是一个值。

$(4)$ 矩阵加法：两个同型矩阵可以相加，即$C_{nm} = A_{nm} + B_{nm}$，任意元素满足$c_{ij} = a_{ij} + b_{ij}$（$1 \leq i \leq n, 1 \leq j \leq m$）。矩阵加法满足特性

$$\begin{matrix} A + B = B + A \\ (A + B ) + C = A + (B + C) \\ A + O = A, A - O = A \end{matrix}$$

$(5)$ 矩阵数乘：矩阵与数可以相乘，即$B_{nm} = k \cdot A_{nm}$，任意元素满足$b_{ij} = k \cdot a_{ij}$（$1 \leq i \leq n, 1 \leq j \leq m$）。矩阵数乘满足特性

$$\begin{matrix} k(mA) = (km)A = m(kA) \\ (k + m)A = kA + mA \\ k(A + B) = kA + kB \\ 1 \cdot A = A \\ 0 \cdot A = O \end{matrix}$$

$(6)$ 矩阵乘法：两个矩阵$A_{nm}, B_{st}$相乘必须满足条件$m = s$，即$C_{nt} = A_{nm} \times B_{st}$（$m = s$），任意元素满足$c_{ij} = \sum_{k=1}^{m} a_{ik} \cdot b_{kj}$（$1 \leq i \leq n, 1 \leq j \leq t, 1 \leq k \leq m$）。特别的，若$A$是$n$阶方阵，则$k$个矩阵$A$相乘的结果记为$\prod_{i=1}^{k} A = A^{k}$，称为$A$的$k$次幂。矩阵乘法满足特性

$$\begin{matrix} (AB)C = A(BC) \\ A(B + C) = AB + AC \\ (B + C)A = BA + CA \end{matrix}$$

注意一般情况下$AB \neq BA$。

$(7)$ 矩阵转置：将矩阵$A_{nm}$的行和列交换得到矩阵$A_{mn}^{T}$，任意元素满足$a_{ij}^{t} = a_{ji}$。称$A_{mn}^{T}$为$A$的转置矩阵。矩阵转置满足特性

$$\begin{matrix} (A + B)^{T} = A^{T} + B^{T} \\ (k \cdot A)^{T} = k \cdot A^{T} \\ (A \cdot B)^{T} = B^{T} \cdot A^{T} \\ (A^{T})^{T} = A \end{matrix}$$

$(8)$ 单位矩阵：$n$阶矩阵中，主对角线上的元素都是$1$，其余元素都是$0$，称为$n$阶单位矩阵，简写作$E$，$E_{n}$或$I$。即$a_{ii} = 1, a_{ij} = 0$（其中$i \neq j$）。

$$A_{nn} = \begin{bmatrix} 1_{11} & 0_{12} & \cdots & 0_{1n} \\ 0_{21} & 1_{22} & \cdots & 0_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ 0_{n1} & 0_{n2} & \cdots & 1_{nn} \end{bmatrix}$$

$(9)$ 数量矩阵：数字$k$与单位矩阵$E$的积$k \cdot E$称为数量矩阵。

$(10)$ $n$阶矩阵的主对角线：即矩阵$A_{nn}$上的所有元素$a_{ii}$（其中$1 \leq i \leq n$）。所有元素$a_{ii}$连起来称为矩阵的对角线，其中的元素称为对角元素。

$(11)$ 对角矩阵：非对角元素全为$0$的$n$阶方阵称为对角矩阵。

$(12)$ 上/下三角矩阵：主对角线以下/上（不包括主对角线）元素都为$0$的$n$阶矩阵，即$a_{ij} = 0, i \gt j$（上三角矩阵），$a_{ij} = 0, i \lt j$（下三角矩阵）。

$(13)$ 对称矩阵/反对称矩阵：满足$A^{T} = A$（即$a_{ij}^{t} = a_{ji}$）的矩阵为对称矩阵，满足$A^{T} = -A$（即$a_{ij}^{t} = - a_{ji}$）的矩阵称为反对称矩阵。

Strassen算法

根据数学定义，计算两个$n$阶矩阵相乘，由于$c_{ij} = \sum_{k=1}^{n} a_{ik} \cdot b_{kj}$，计算$C$中的一个元素的时间复杂度为$O(n)$。$C$中有$n^2$个元素，因此时间复杂度为$O(n^3)$。Strassen算法的时间复杂度比平凡算法更低。

对于$n$阶矩阵乘法$C = A \times B$，设$n$为偶数，则可以将$A, B, C$三个矩阵划分为$4$个$n/2$的矩阵，$C = A \times B$转化为

$$\begin{bmatrix} r & s \\ t & u \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix} \times \begin{bmatrix} e & f \\ g & h \end{bmatrix}$$

按照矩阵乘法计算方法可知

$$\begin{matrix} r = a \times e + b \times g \\ s = a \times f + b \times h \\ t = c \times e + d \times g \\ u = c \times f + d \times h \end{matrix}$$

上面计算中设两个$n$阶矩阵相乘的时间复杂度为$T(n)$，则$8$次矩阵相乘的时间复杂度为$8 \cdot T( \frac{n}{2} )$。$n$阶方阵的加法需要分别计算$n^2$次两个元素之和，因此时间复杂度为$O(n^2)$。由此可知

$$T(n) = 8 \cdot T(\frac{n}{2}) + O(n^2)$$

通过时间复杂度的推导方法，可以得出$T(n) = O(n^3)$。因此分治法的时间复杂度与平凡算法相同。

Strassen算法在分治法基础上设置$7$个中间矩阵，将上式转化为

$$\begin{matrix} p_1 = a \times f - a \times h = a \times (f - h) \\ p_2 = a \times h + b \times h = (a + b) \times h \\ p_3 = c \times e + d \times e = (c + d) \times e \\ p_4 = d \times g - d \times e = d \times (g - e) \\ p_5 = a \times e + a \times h + d \times e + d \times h = (a + d) \times (e + h) \\ p_6 = b \times g + b \times h - d \times g - d \times h = (b - d) \times (g + h) \\ p_7 = a \times e + a \times f - c \times e - c \times f = (a - c) \times (e + f) \end{matrix}$$

可得

$$\begin{matrix} r = p_5 + p_4 - p_2 + p_6 \\ s = p_1 + p_2 \\ t = p_3 + p_4 \\ u = p_1 + p_5 - p_3 - p_7 \end{matrix}$$

这样计算矩阵相乘时，只需要计算$7$次矩阵相乘运算，矩阵间的加减运算的时间复杂度仍然是$O(n^2)$。即有

$$T(n) = 7 \cdot T( \frac{n} {2} ) + O(n^2)$$

最终推导可得，Strassen算法的时间复杂度为$O(n^{log_2 7}) \approx O(n^{2.81})$。

数学复习全书（2013年李永乐李正元考研数学 数学一） - 第二篇 线性代数

• https://book.douban.com/subject/21370697/

源码

Strassen.h

Strassen.cpp

测试

StrassenTest.cpp