46、稀疏矩阵基本运算与特征值、特征向量计算

稀疏矩阵基本运算与特征值、特征向量计算

在科学与工程领域，矩阵运算和特征值、特征向量的计算是非常基础且重要的内容。特别是在处理大规模数据时，稀疏矩阵的使用能够显著提高计算效率。本文将详细介绍稀疏矩阵的基本运算以及特征值、特征向量的计算方法。

稀疏矩阵的基本运算

稀疏矩阵在很多实际问题中经常出现，例如图的邻接矩阵。对于无权图的邻接矩阵，如果图是有向的，向量 $i$、$j$（必要时还有 $s$）的长度等于弧的数量 $K$；如果图是无向的，矩阵 $A$ 是对称的，理论上只需要存储下三角部分，但为了方便某些操作，通常存储所有非零元素的索引，此时向量 $i$、$j$ 的长度是边数量的两倍，即 $M = 2K$。

ij 形式的矩阵 - 向量乘法

使用 ij 形式进行矩阵 - 向量乘法比使用完整的邻接矩阵更高效。假设 $x \in R^N$ 是列向量，乘积 $y = Ax$ 可以按以下算法计算：

Algorithm 9 Matrix vector multiplication (ij - form)
Input: i, j, s, x
Output: y = Ax
1: y ←⃗0
2: for k = 0 to M − 1 do
3:
    y[i[k]] ← y[i[k]] + s[k] ∗ x[j[k]]
4: end for

这个算法执行 $M$ 次乘法，还需要 $N$ 次操作将向量 $y$ 的所有分量初始化为零，因此所需的操作数为 $M + N$，时间复杂度为 $O(M)$。而使用完整邻接矩阵 $A$ 实现矩阵 - 向量乘法的算法需要