題目描述
請編程實現矩陣乘法,並考慮當矩陣規模較大時的優化方法。
思路分析
根據wikipedia上的介紹:兩個矩陣的乘法僅當第一個矩陣B的列數和另一個矩陣A的行數相等時才能定義。如A是m×n矩陣和B是n×p矩陣,它們的乘積AB是一個m×p矩陣,它的一個元素其中 1 ≤ i ≤ m, 1 ≤ j ≤ p。
值得一提的是,矩陣乘法滿足結合律和分配率,但並不滿足交換律,如下圖所示的這個例子,兩個矩陣交換相乘後,結果變了:
下面咱們來具體解決這個矩陣相乘的問題。
解法一、暴力解法
其實,通過前面的分析,我們已經很明顯的看出,兩個具有相同維數的矩陣相乘,其複雜度爲O(n^3),參考代碼如下:
- //矩陣乘法,3個for循環搞定
- void Mul(int** matrixA, int** matrixB, int** matrixC)
- {
- for(int i = 0; i < 2; ++i)
- {
- for(int j = 0; j < 2; ++j)
- {
- matrixC[i][j] = 0;
- for(int k = 0; k < 2; ++k)
- {
- matrixC[i][j] += matrixA[i][k] * matrixB[k][j];
- }
- }
- }
- }
解法二、Strassen算法
在解法一中,我們用了3個for循環搞定矩陣乘法,但當兩個矩陣的維度變得很大時,O(n^3)的時間複雜度將會變得很大,於是,我們需要找到一種更優的解法。
一般說來,當數據量一大時,我們往往會把大的數據分割成小的數據,各個分別處理。遵此思路,如果丟給我們一個很大的兩個矩陣呢,是否可以考慮分治的方法循序漸進處理各個小矩陣的相乘,因爲我們知道一個矩陣是可以分成更多小的矩陣的。
如下圖,當給定一個兩個二維矩陣A B時:
這兩個矩陣A B相乘時,我們發現在相乘的過程中,有8次乘法運算,4次加法運算:
矩陣乘法的複雜度主要就是體現在相乘上,而多一兩次的加法並不會讓複雜度上升太多。故此,我們思考,是否可以讓矩陣乘法的運算過程中乘法的運算次數減少,從而達到降低矩陣乘法的複雜度呢?答案是肯定的。
1969年,德國的一位數學家Strassen證明O(N^3)的解法並不是矩陣乘法的最優算法,他做了一系列工作使得最終的時間複雜度降低到了O(n^2.80)。
他是怎麼做到的呢?還是用上文A B兩個矩陣相乘的例子,他定義了7個變量:
如此,Strassen算法的流程如下:
- 兩個矩陣A B相乘時,將A, B, C分成相等大小的方塊矩陣:
;
- 可以看出C是這麼得來的:
- 現在定義7個新矩陣(讀者可以思考下,這7個新矩陣是如何想到的):
- 而最後的結果矩陣C 可以通過組合上述7個新矩陣得到:
表面上看,Strassen算法僅僅比通用矩陣相乘算法好一點,因爲通用矩陣相乘算法時間複雜度是,而Strassen算法複雜度只是。但隨着n的變大,比如當n >> 100時,Strassen算法是比通用矩陣相乘算法變得更有效率。
具體實現的僞代碼如下:
Strassen (N,MatrixA,MatrixB,MatrixResult)
//splitting input Matrixes, into 4 submatrices each.
for i <- 0 to N/2
for j <- 0 to N/2
A11[i][j] <- MatrixA[i][j]; //a矩陣塊
A12[i][j] <- MatrixA[i][j + N / 2]; //b矩陣塊
A21[i][j] <- MatrixA[i + N / 2][j]; //c矩陣塊
A22[i][j] <- MatrixA[i + N / 2][j + N / 2];//d矩陣塊
B11[i][j] <- MatrixB[i][j]; //e 矩陣塊
B12[i][j] <- MatrixB[i][j + N / 2]; //f 矩陣塊
B21[i][j] <- MatrixB[i + N / 2][j]; //g 矩陣塊
B22[i][j] <- MatrixB[i + N / 2][j + N / 2]; //h矩陣塊
//here we calculate M1..M7 matrices .
//遞歸求M1
HalfSize <- N/2
AResult <- A11+A22
BResult <- B11+B22
Strassen( HalfSize, AResult, BResult, M1 ); //M1=(A11+A22)*(B11+B22) p5=(a+d)*(e+h)
//遞歸求M2
AResult <- A21+A22
Strassen(HalfSize, AResult, B11, M2); //M2=(A21+A22)B11 p3=(c+d)*e
//遞歸求M3
BResult <- B12 - B22
Strassen(HalfSize, A11, BResult, M3); //M3=A11(B12-B22) p1=a*(f-h)
//遞歸求M4
BResult <- B21 - B11
Strassen(HalfSize, A22, BResult, M4); //M4=A22(B21-B11) p4=d*(g-e)
//遞歸求M5
AResult <- A11+A12
Strassen(HalfSize, AResult, B22, M5); //M5=(A11+A12)B22 p2=(a+b)*h
//遞歸求M6
AResult <- A21-A11
BResult <- B11+B12
Strassen( HalfSize, AResult, BResult, M6); //M6=(A21-A11)(B11+B12) p7=(c-a)(e+f)
//遞歸求M7
AResult <- A12-A22
BResult <- B21+B22
Strassen(HalfSize, AResult, BResult, M7); //M7=(A12-A22)(B21+B22) p6=(b-d)*(g+h)
//計算結果子矩陣
C11 <- M1 + M4 - M5 + M7;
C12 <- M3 + M5;
C21 <- M2 + M4;
C22 <- M1 + M3 - M2 + M6;
//at this point , we have calculated the c11..c22 matrices, and now we are going to
//put them together and make a unit matrix which would describe our resulting Matrix.
for i <- 0 to N/2
for j <- 0 to N/2
MatrixResult[i][j] <- C11[i][j];
MatrixResult[i][j + N / 2] <- C12[i][j];
MatrixResult[i + N / 2][j] <- C21[i][j];
MatrixResult[i + N / 2][j + N / 2] <- C22[i][j];
具體測試代碼如下:
// 4-2.矩陣乘法的Strassen算法.cpp : 定義控制檯應用程序的入口點。
//
#include "stdafx.h"
#include <iostream>
#include <ctime>
#include <Windows.h>
using namespace std;
template<typename T>
class Strassen_class{
public:
void ADD(T** MatrixA, T** MatrixB, T** MatrixResult, int MatrixSize );
void SUB(T** MatrixA, T** MatrixB, T** MatrixResult, int MatrixSize );
void MUL( T** MatrixA, T** MatrixB, T** MatrixResult, int MatrixSize );//樸素算法實現
void FillMatrix( T** MatrixA, T** MatrixB, int length);//A,B矩陣賦值
void PrintMatrix(T **MatrixA,int MatrixSize);//打印矩陣
void Strassen(int N, T **MatrixA, T **MatrixB, T **MatrixC);//Strassen算法實現
};
template<typename T>
void Strassen_class<T>::ADD(T** MatrixA, T** MatrixB, T** MatrixResult, int MatrixSize )
{
for ( int i = 0; i < MatrixSize; i++)
{
for ( int j = 0; j < MatrixSize; j++)
{
MatrixResult[i][j] = MatrixA[i][j] + MatrixB[i][j];
}
}
}
template<typename T>
void Strassen_class<T>::SUB(T** MatrixA, T** MatrixB, T** MatrixResult, int MatrixSize )
{
for ( int i = 0; i < MatrixSize; i++)
{
for ( int j = 0; j < MatrixSize; j++)
{
MatrixResult[i][j] = MatrixA[i][j] - MatrixB[i][j];
}
}
}
template<typename T>
void Strassen_class<T>::MUL( T** MatrixA, T** MatrixB, T** MatrixResult, int MatrixSize )
{
for (int i=0;i<MatrixSize ;i++)
{
for (int j=0;j<MatrixSize ;j++)
{
MatrixResult[i][j]=0;
for (int k=0;k<MatrixSize ;k++)
{
MatrixResult[i][j]=MatrixResult[i][j]+MatrixA[i][k]*MatrixB[k][j];
}
}
}
}
/*
c++使用二維數組,申請動態內存方法
申請
int **A;
A = new int *[desired_array_row];
for ( int i = 0; i < desired_array_row; i++)
A[i] = new int [desired_column_size];
釋放
for ( int i = 0; i < your_array_row; i++)
delete [] A[i];
delete[] A;
*/
template<typename T>
void Strassen_class<T>::Strassen(int N, T **MatrixA, T **MatrixB, T **MatrixC)
{
int HalfSize = N/2;
int newSize = N/2;
if ( N <= 64 ) //分治門檻,小於這個值時不再進行遞歸計算,而是採用常規矩陣計算方法
{
MUL(MatrixA,MatrixB,MatrixC,N);
}
else
{
T** A11;
T** A12;
T** A21;
T** A22;
T** B11;
T** B12;
T** B21;
T** B22;
T** C11;
T** C12;
T** C21;
T** C22;
T** M1;
T** M2;
T** M3;
T** M4;
T** M5;
T** M6;
T** M7;
T** AResult;
T** BResult;
//making a 1 diminsional pointer based array.
A11 = new T *[newSize];
A12 = new T *[newSize];
A21 = new T *[newSize];
A22 = new T *[newSize];
B11 = new T *[newSize];
B12 = new T *[newSize];
B21 = new T *[newSize];
B22 = new T *[newSize];
C11 = new T *[newSize];
C12 = new T *[newSize];
C21 = new T *[newSize];
C22 = new T *[newSize];
M1 = new T *[newSize];
M2 = new T *[newSize];
M3 = new T *[newSize];
M4 = new T *[newSize];
M5 = new T *[newSize];
M6 = new T *[newSize];
M7 = new T *[newSize];
AResult = new T *[newSize];
BResult = new T *[newSize];
int newLength = newSize;
//making that 1 diminsional pointer based array , a 2D pointer based array
for ( int i = 0; i < newSize; i++)
{
A11[i] = new T[newLength];
A12[i] = new T[newLength];
A21[i] = new T[newLength];
A22[i] = new T[newLength];
B11[i] = new T[newLength];
B12[i] = new T[newLength];
B21[i] = new T[newLength];
B22[i] = new T[newLength];
C11[i] = new T[newLength];
C12[i] = new T[newLength];
C21[i] = new T[newLength];
C22[i] = new T[newLength];
M1[i] = new T[newLength];
M2[i] = new T[newLength];
M3[i] = new T[newLength];
M4[i] = new T[newLength];
M5[i] = new T[newLength];
M6[i] = new T[newLength];
M7[i] = new T[newLength];
AResult[i] = new T[newLength];
BResult[i] = new T[newLength];
}
//splitting input Matrixes, into 4 submatrices each.
for (int i = 0; i < N / 2; i++)
{
for (int j = 0; j < N / 2; j++)
{
A11[i][j] = MatrixA[i][j];
A12[i][j] = MatrixA[i][j + N / 2];
A21[i][j] = MatrixA[i + N / 2][j];
A22[i][j] = MatrixA[i + N / 2][j + N / 2];
B11[i][j] = MatrixB[i][j];
B12[i][j] = MatrixB[i][j + N / 2];
B21[i][j] = MatrixB[i + N / 2][j];
B22[i][j] = MatrixB[i + N / 2][j + N / 2];
}
}
//here we calculate M1..M7 matrices .
//M1[][]
ADD( A11,A22,AResult, HalfSize);
ADD( B11,B22,BResult, HalfSize); //p5=(a+d)*(e+h)
Strassen( HalfSize, AResult, BResult, M1 ); //now that we need to multiply this , we use the strassen itself .
//M2[][]
ADD( A21,A22,AResult, HalfSize); //M2=(A21+A22)B11 p3=(c+d)*e
Strassen(HalfSize, AResult, B11, M2); //Mul(AResult,B11,M2);
//M3[][]
SUB( B12,B22,BResult, HalfSize); //M3=A11(B12-B22) p1=a*(f-h)
Strassen(HalfSize, A11, BResult, M3); //Mul(A11,BResult,M3);
//M4[][]
SUB( B21, B11, BResult, HalfSize); //M4=A22(B21-B11) p4=d*(g-e)
Strassen(HalfSize, A22, BResult, M4); //Mul(A22,BResult,M4);
//M5[][]
ADD( A11, A12, AResult, HalfSize); //M5=(A11+A12)B22 p2=(a+b)*h
Strassen(HalfSize, AResult, B22, M5); //Mul(AResult,B22,M5);
//M6[][]
SUB( A21, A11, AResult, HalfSize);
ADD( B11, B12, BResult, HalfSize); //M6=(A21-A11)(B11+B12) p7=(c-a)(e+f)
Strassen( HalfSize, AResult, BResult, M6); //Mul(AResult,BResult,M6);
//M7[][]
SUB(A12, A22, AResult, HalfSize);
ADD(B21, B22, BResult, HalfSize); //M7=(A12-A22)(B21+B22) p6=(b-d)*(g+h)
Strassen(HalfSize, AResult, BResult, M7); //Mul(AResult,BResult,M7);
//C11 = M1 + M4 - M5 + M7;
ADD( M1, M4, AResult, HalfSize);
SUB( M7, M5, BResult, HalfSize);
ADD( AResult, BResult, C11, HalfSize);
//C12 = M3 + M5;
ADD( M3, M5, C12, HalfSize);
//C21 = M2 + M4;
ADD( M2, M4, C21, HalfSize);
//C22 = M1 + M3 - M2 + M6;
ADD( M1, M3, AResult, HalfSize);
SUB( M6, M2, BResult, HalfSize);
ADD( AResult, BResult, C22, HalfSize);
//at this point , we have calculated the c11..c22 matrices, and now we are going to
//put them together and make a unit matrix which would describe our resulting Matrix.
//組合小矩陣到一個大矩陣
for (int i = 0; i < N/2 ; i++)
{
for (int j = 0 ; j < N/2 ; j++)
{
MatrixC[i][j] = C11[i][j];
MatrixC[i][j + N / 2] = C12[i][j];
MatrixC[i + N / 2][j] = C21[i][j];
MatrixC[i + N / 2][j + N / 2] = C22[i][j];
}
}
// 釋放矩陣內存空間
for (int i = 0; i < newLength; i++)
{
delete[] A11[i];delete[] A12[i];delete[] A21[i];
delete[] A22[i];
delete[] B11[i];delete[] B12[i];delete[] B21[i];
delete[] B22[i];
delete[] C11[i];delete[] C12[i];delete[] C21[i];
delete[] C22[i];
delete[] M1[i];delete[] M2[i];delete[] M3[i];delete[] M4[i];
delete[] M5[i];delete[] M6[i];delete[] M7[i];
delete[] AResult[i];delete[] BResult[i] ;
}
delete[] A11;delete[] A12;delete[] A21;delete[] A22;
delete[] B11;delete[] B12;delete[] B21;delete[] B22;
delete[] C11;delete[] C12;delete[] C21;delete[] C22;
delete[] M1;delete[] M2;delete[] M3;delete[] M4;delete[] M5;
delete[] M6;delete[] M7;
delete[] AResult;
delete[] BResult ;
}//end of else
}
template<typename T>
void Strassen_class<T>::FillMatrix( T** MatrixA, T** MatrixB, int length)
{
for(int row = 0; row<length; row++)
{
for(int column = 0; column<length; column++)
{
MatrixB[row][column] = (MatrixA[row][column] = rand() %5);
//matrix2[row][column] = rand() % 2;//ba hazfe in khat 50% afzayeshe soorat khahim dasht
}
}
}
template<typename T>
void Strassen_class<T>::PrintMatrix(T **MatrixA,int MatrixSize)
{
cout<<endl;
for(int row = 0; row<MatrixSize; row++)
{
for(int column = 0; column<MatrixSize; column++)
{
cout<<MatrixA[row][column]<<"\t";
if ((column+1)%((MatrixSize)) == 0)
cout<<endl;
}
}
cout<<endl;
}
int _tmain(int argc, _TCHAR* argv[])
{
Strassen_class<int> stra;//定義Strassen_class類對象
int MatrixSize = 0;
int** MatrixA; //存放矩陣A
int** MatrixB; //存放矩陣B
int** MatrixC; //存放結果矩陣
clock_t startTime_For_Normal_Multipilication ;
clock_t endTime_For_Normal_Multipilication ;
clock_t startTime_For_Strassen ;
clock_t endTime_For_Strassen ;
srand(time(0));
cout<<"\n請輸入矩陣大小(必須是2的冪指數值(例如:32,64,512,..): ";
cin>>MatrixSize;
int N = MatrixSize;//for readiblity.
//申請內存
MatrixA = new int *[MatrixSize];
MatrixB = new int *[MatrixSize];
MatrixC = new int *[MatrixSize];
for (int i = 0; i < MatrixSize; i++)
{
MatrixA[i] = new int [MatrixSize];
MatrixB[i] = new int [MatrixSize];
MatrixC[i] = new int [MatrixSize];
}
stra.FillMatrix(MatrixA,MatrixB,MatrixSize); //矩陣賦值
//*******************conventional multiplication test
cout<<"樸素矩陣算法開始時鐘: "<< (startTime_For_Normal_Multipilication = clock());
stra.MUL(MatrixA,MatrixB,MatrixC,MatrixSize);//樸素矩陣相乘算法 T(n) = O(n^3)
cout<<"\n樸素矩陣算法結束時鐘: "<< (endTime_For_Normal_Multipilication = clock());
cout<<"\n矩陣運算結果... \n";
stra.PrintMatrix(MatrixC,MatrixSize);
//*******************Strassen multiplication test
cout<<"\nStrassen算法開始時鐘: "<< (startTime_For_Strassen = clock());
stra.Strassen( N, MatrixA, MatrixB, MatrixC ); //strassen矩陣相乘算法
cout<<"\nStrassen算法結束時鐘: "<<(endTime_For_Strassen = clock());
cout<<"\n矩陣運算結果... \n";
stra.PrintMatrix(MatrixC,MatrixSize);
cout<<"矩陣大小 "<<MatrixSize;
cout<<"\n樸素矩陣算法: "<<(endTime_For_Normal_Multipilication - startTime_For_Normal_Multipilication)<<" Clocks.."<<(endTime_For_Normal_Multipilication - startTime_For_Normal_Multipilication)/CLOCKS_PER_SEC<<" Sec";
cout<<"\nStrassen算法:"<<(endTime_For_Strassen - startTime_For_Strassen)<<" Clocks.."<<(endTime_For_Strassen - startTime_For_Strassen)/CLOCKS_PER_SEC<<" Sec\n";
system("Pause");
return 0;
}
運行結果:
性能分析:
數據取600位上界,即超過10分鐘跳出。可以看到使用Strassen算法時,耗時不但沒有減少,反而劇烈增多,在n=700時計算時間就無法忍受。仔細研究後發現,採用Strassen算法作遞歸運算,需要創建大量的動態二維數組,其中分配堆內存空間將佔用大量計算時間,從而掩蓋了Strassen算法的優勢。於是對Strassen算法做出改進,設定一個界限。當n<界限時,使用普通法計算矩陣,而不繼續分治遞歸。
改進後算法優勢明顯,就算時間大幅下降。之後,針對不同大小的界限進行試驗。在初步試驗中發現,當數據規模小於1000時,下界S法的差別不大,規模大於1000以後,n取值越大,消耗時間下降。最優的界限值在32~128之間。
因爲計算機每次運算時的系統環境不同(CPU佔用、內存佔用等),所以計算出的時間會有一定浮動。雖然這樣,試驗結果已經能得出結論Strassen算法比常規法優勢明顯。使用下界法改進後,在分治效率和動態分配內存間取捨,針對不同的數據規模稍加試驗可以得到一個最優的界限。
小結:
1)採用Strassen算法作遞歸運算,需要創建大量的動態二維數組,其中分配堆內存空間將佔用大量計算時間,從而掩蓋了Strassen算法的優勢
2)於是對Strassen算法做出改進,設定一個界限。當n<界限時,使用普通法計算矩陣,而不繼續分治遞歸。需要合理設置界限,不同環境(硬件配置)下界限不同
3)矩陣乘法一般意義上還是選擇的是樸素的方法,只有當矩陣變稠密,而且矩陣的階數很大時,纔會考慮使用Strassen算法。