稀疏矩阵:矩阵中大多数元素为0的矩阵,从直观上讲,当非零元素个数低于总元素的30%时,这样的矩阵为稀疏矩阵。

如:

int array [6][5] =     {

{1, 0, 3, 0, 5},                      

                        {0, 0, 0, 0, 0},                      

                        {0, 0, 0, 0, 0},                     

                        {1, 0, 3, 0, 5},                     

                        {0, 0, 0, 0, 0},                 

                        {0, 0, 0, 0, 0}};

稀疏矩阵的压缩存储:使用{row,col,value}三元组存储每一个有效数据,三元组按原矩阵中的位置,以行优先级先后顺序依次存放。

矩阵的转置:将原矩阵的行、列对换,也就是将[i][j]和[j][i]位置上的数据对换。

稀疏矩阵的列序递增法:

    按照被转置矩阵三元组表A的序列(即转置后三元组表B的行序)递增的顺序进行转置,则转置后矩阵的三元组表B恰好是以“行序为主序的”.

一次定位快速转置法:

    在列转置中算法的时间浪费主要在双重循环中,要改善算法的性能,必须去掉双重循环,使得整个转置过程通过一次循环来完成。

为了使得被转置的三元组表A中元素一次定位到三元组表B中,需要计算一下以下数据:

1)RowCounts,三元组表A中每一列有效值的个数,即转置后矩阵三元组表B中每一行有效值的个数。

2)RowStart,三元组表B中每一行有效值的起始位置。

RowStart[i] = RowStart[i - 1] + RowCounts[i - 1];

代码实现:

#include <iostream>

using namespace std;

#include <vector>//动态数组

//三元组

template<class T>

struct Triple

{

size_t _row;

size_t _col;

T _value;

Triple(size_t row = 0, size_t col = 0, const T& value = T())

:_row(row)

, _col(col)

, _value(value)

{}

};

template<class T>

class SparseMatrix

{

public://invalid   非零值

SparseMatrix(T* a = NULL, size_t M = 0, size_t N = 0, const T& invalid = T())

:_rowSize(M)

, _colSize(N)

, _invalid(invalid)

{

for (size_t i = 0; i < M; ++i)

{

for (size_t j = 0; j < N; ++j)

{

if (a[i*N + j] != _invalid)//每行元素个数就是列的个数

{

Triple<T> t;

t._row = i;

t._col = j;

t._value = a[i*N + j];

_a.push_back(t);//在Vector类,插入一个元素

}

}

}

}

void Display()

{

size_t index = 0;

for (size_t i = 0; i < _rowSize; ++i)

{

for (size_t j = 0; j < _colSize; ++j)

{

if (index < _a.size()&& (_a[index]._row == i)&& (_a[index]._col == j))

{

cout << _a[index++]._value << " ";

}

else

{

cout << _invalid << " ";

}

}

cout << endl;

}

}

//矩阵列序递增转置算法,时间复杂度为O(有效数据的个数*原矩阵的列数)

SparseMatrix<T> Transport()

{

SparseMatrix<T> sm;

sm._colSize = _rowSize;

sm._rowSize = _colSize;

sm._invalid = _invalid;

for (size_t i = 0; i < _colSize; ++i)//列序递增

{

size_t index = 0;

while (index < _a.size())

{

if (_a[index]._col == i)

{

Triple<T> t;

t._row = _a[index]._col;

t._col = _a[index]._row;

t._value = _a[index]._value;

sm._a.push_back(t);

}

++index;

}

}

return sm;

}

//一次定位计数快速转置 时间复杂度为O(有效数据的个数+原矩阵的列数)

SparseMatrix<T> FastTransport()

{

SparseMatrix<T> sm;

sm._rowSize = _colSize;

sm._colSize = _rowSize;

sm._invalid = _invalid;

int* RowCounts = new int[_colSize];//计数

int* RowStart = new int[_colSize];//位置

memset(RowCounts, 0, sizeof(int)*_colSize);

memset(RowStart, 0, sizeof(int)*_colSize);

size_t index = 0;//index  非零元素

while (index < _a.size())

{

++RowCounts[_a[index]._col];

++index;

}

for (size_t i = 1; i < _colSize; ++i)

{

RowStart[i] = RowStart[i - 1] + RowCounts[i - 1];

}

index = 0;

sm._a.resize(_a.size());

while (index < sm._a.size())

{

Triple<T> t;

t._row = _a[index]._col;

t._col = _a[index]._row;

t._value = _a[index]._value;

sm._a[RowStart[_a[index]._col]] = t;

++RowStart[_a[index]._col];

++index;

}

delete[] RowCounts;

delete[] RowStart;

return sm;

}

protected:

vector<Triple<T>> _a;

size_t _rowSize;

size_t _colSize;

T _invalid;

};

void Test()

{

int array[5][4] =

{

{ 1, 0, 3, 0 },

{ 0, 0, 0, 0 },

{ 0, 0, 0, 0 },

{ 2, 0, 4, 5 },

{ 0, 0, 0, 0 },

};

SparseMatrix<int> sm1((int*)array, 5, 4, 0);

cout << "打印原矩阵:"<<endl;

sm1.Display();

cout << endl;

cout << "打印转置后的矩阵:" << endl;

SparseMatrix<int> sm2 = sm1.Transport();

/*SparseMatrix<int> sm2 = sm1.FastTransport();*/

sm2.Display();

}

int main()

{

Test();

system("pause");

return 0;

}

运行结果:

打印原矩阵:

1 0 3 0

0 0 0 0

0 0 0 0

2 0 4 5

0 0 0 0

打印转置后的矩阵:

1 0 0 2 0

0 0 0 0 0

3 0 0 4 0

0 0 0 5 0

请按任意键继续. . .

两种算法比较:

    假设有效数据的个数为100,原矩阵的列数为100,矩阵列序递增转置算法,时间耗费为O(有效数据的个数*原矩阵的列数),即100*100=10000次;一次定位计数快速转置算法,时间复杂度为O(有效数据的个数+原矩阵的列数),即100+100=200次左右。显然一次定位计数快速转置算法的时间效率要高的多,在时间性能上优于列序递增转置法,但是在空间耗费上增加了两个辅助向量空间,即RowCounts和RowStart,由此可见,算法在时间上的节省是以更多的存储空间为代价的。