C语言——利用矩阵LU分解法求逆、行列式

这篇具有很好参考价值的文章主要介绍了C语言——利用矩阵LU分解法求逆、行列式。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

本章介绍了LU分解法,以及如何利用LU分解法求逆、行列式,针对每个公式、原理、代码进行了详细介绍,希望可以给大家带来帮助。

LU分解法与高斯法求逆一样,可以进行较高维数的矩阵运算(可计算万维及以上,但是精度不能保证,并且占有内存大,高维矩阵需要进行分块运算)


更改:

  • 之前的代码使用_msize函数求矩阵维数,然而_msize函数只适用于windows,提供了一种可移植度高的版本。
  • 之前在计算L、U的逆矩阵时,使用的是高斯求逆法,没有充分利用L、U矩阵的特性,已更改。
  • 修改了选主元时的bug。

目录

LU分解法 

概念

确定L、U矩阵

求L、U的逆矩阵

LU分解法的意义

程序设计

LUP求逆 

1)结构体定义与头文件

2)辅助函数

3)矩阵乘法 

4) LU求逆函数

测试

整数矩阵计算: 

浮点矩阵计算:

 LUP求行列式


LU分解法 

概念

将系数矩阵A转变成等价两个矩阵L和U的乘积 ,其中L和U分别是单位下三角矩阵和上三角矩阵。当A的所有顺序主子式都不为0时,矩阵A可以唯一地分解为A=LU。其中L是下三角矩阵(主对角线元素为1),U是上三角矩阵。

于是,对矩阵A求逆就变成了:

因为LU分别为下三角矩阵和上三角矩阵,再进行高斯变换求逆矩阵时,浮点运算的复杂度将减少一半。 

 对矩阵A求其行列式的值变成:

因为L的主对角元素全1,故 A的行列式的值等于U主对角线元素的乘积。


确定L、U矩阵

因为矩阵L的主对角元素定死为1,因此可以通过矩阵乘法原理,逐行、逐列的逆推出矩阵L和U的元素

方法如下:

  • 确定U的第
  • 确定L的第
  • 确定U的第
  • 确定L的第
  • ...
  • 确定U的第n行
  • 确定L的第n列

确定U的第一行

  • L的第一行与U的第一列对应元素相乘再相加,结果等于,即:
  • L的第一行与U的第二列对应元素相乘再相加,结果等于,即: 
  • 不难看出,U的第一行与A的第一行元素相同:

确定L的第一列:

  • L每列的首元素都为1,从第二个元素开始判断
  • L的第二行与U的第一列对应元素相乘再相加,结果等于,即:
  • L的第三行与U的第一列对应元素相乘再相加,结果等于,即:
  • 故,L的第一列为:

仿照上述步骤,即可求出L、U,整理公式如下:

lu分解求逆矩阵,# C语言线性代数,矩阵,线性代数,算法,c语言,开发语言

在进行代码设计时,求和部分可用for循环单独计算,存储到变量a中,变量a需初始化为0,当i=0时,不满足for循环条件,a=0,即可推出上述U的第一行和L的第一列。

LU分解法的推导与验证请参考相关数值分析教材,推荐参考博客矩阵的直接LU分解法 


求L、U的逆矩阵

由于L、U矩阵自身的特性,这时我们可以通过L、U矩阵直接逆推出其逆矩阵,无需再用高斯求逆,逆推思想与上述思想类型,这里直接给出下三角矩阵和上三角矩阵求逆公式:

对于下三角矩阵:

对于上三角矩阵:

lu分解求逆矩阵,# C语言线性代数,矩阵,线性代数,算法,c语言,开发语言

需要注意:上述公式是基于程序设计的思维,也就是我们对L、U矩阵本身进行改动,使其变成各自的逆矩阵,这样就无需再开辟新的内存空间。

  • 计算下三角矩阵的逆时,我们是按行,从第1行到第n行开始计算,第一行第一列,第二行第一列,第二行第二列,以此类推。
  • 计算上三角矩阵的逆时,我们是按列,从第n列到第1列开始计算,第n列第n行,第n列第n-1行,以此类推。
  • 二者的计算次序正好相反,该点在代码设计中也有所体现。

LU分解法的意义

  • LU具有承袭性,这是LU的优点。
  • LU只适用于解所有顺序主子式都大于0的,通用性欠缺,这是LU的缺点。
  • LU法不保证具有数值稳定性,这是LU的缺点。(Gauss法可以用选取列主元技巧保证数值稳定性)

集合LU与Gauss优点,同时规避掉这些缺点的,是LUP分解法。


作者:寨森Lambda-CDM

我个人的理解是:计算机在处理超维矩阵时(例如一万维),会采用分块矩阵的方式进行求解,通过先分块再LU,将矩阵分成一块块下三角矩阵和上三角矩阵存储起来,在后续其他计算中,直接调用下三角矩阵和上三角矩阵计算的效率更高。(该部分我也在学习,欢迎大家讨论)


程序设计

该部分程序实际上是LUP分解法,增加了选择主元的过程,因为在分解LU以及高斯消元求逆时,如果主元的元素是0,那么计算机将无法计算,所以在分解前需先选择主元。 

在矩阵设计时,最开始使用的是_msize函数通过内存计算矩阵的维数,而在后来使用Linux和Mac系统后,发现不支持_msize函数,同时又不想每次计算时都输入矩阵的维数,因此设计一个结构体来存储矩阵。(_msize函数只支持windows,我的其他博客有相关介绍:判断矩阵维数)

整体流程如下:

  • 检查是否符合计算要求
  • 保护原矩阵,进行临时矩阵的拷贝
  • 选择主元
  • 构建L、U矩阵
  • 计算L、U矩阵的逆(如果求行列式,无需求逆,直接求U矩阵主对角线的乘积)
  • 利用矩阵乘法求得最终结果
  • 释放内存

LUP求逆 

1)结构体定义与头文件

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <assert.h>
#include <time.h>
#include <math.h>

typedef struct Matrix
{
    int row;
    int col;
    double **data;
} Matrix;

2)辅助函数

// 创建矩阵
Matrix MakeMatrix(int row, int col)
{
    int i = 0;
    Matrix arr = {0};
    arr.row = row;
    arr.col = col;
    arr.data = (double **)malloc(sizeof(double *) * arr.row);
    if (arr.data == NULL)
        exit(-1);
    for (i = 0; i < arr.row; i++)
    {
        arr.data[i] = (double *)malloc(sizeof(double) * arr.col);
        memset(arr.data[i], 0, sizeof(double) * arr.col);
    }
    return arr;
}

// 释放矩阵内存
void free_Matrix(Matrix src)
{
    int i;
    for (i = 0; i < src.row; i++)
    {
        free(src.data[i]);
    }
    free(src.data);
}

// 打印矩阵
void print_Matrix(Matrix arr)
{
    int i, j;
    putchar('\n');
    for (i = 0; i < arr.row; i++)
    {
        for (j = 0; j < arr.col; j++)
        {
            printf("%10.4lf ", arr.data[i][j]);
        }
        putchar('\n');
    }
}

// 生成随机矩阵
void rand_Matrix(Matrix arr)
{
    int i, j;
    double num, res, res1, res2 = 0;
    srand((unsigned int)time(NULL));
    for (i = 0; i < arr.row; i++)
    {
        for (j = 0; j < arr.col; j++)
        {
            //随机生成整数
            /* num = pow(-1, rand() % 2 + 1) * (rand() % 20);
            arr.data[i][j] = num; */

            //4位浮点数
            res1 = res2 = 0;
            while (res1 == 0)
            {
                res1 = pow(-1, rand() % 2 + 1) * (rand() % 101);
                res2 = pow(-1, rand() % 2 + 1) * (rand() % (int)(1e4));
            }
            res = res1 + (res2 * 1e-4);
            arr.data[i][j] = res;
        }
    }
}

上述辅助函数需要注意两点:

  • 释放内存时,先便利释放每一行的内存,最终将整个data内存释放掉。
  • 创建随机矩阵时,srand函数用于修饰rand,以time为标准生成随机数。
  • 这里创建浮点数的思想为:1)创建一个范围在[-100,100]内的整数。2)创建一个范围在[0,1000)内的整数,然后对其除以10的-4次方,使其变成小数部分。3)将二者相加,即得到了小数点后4位的随机数。(创建随机矩阵时,笔者之前使用的是将两个整数做除法,但该种做法无法与matlab结果验证)

3)矩阵乘法 

矩阵乘法较为简单,笔者在C语言矩阵乘法中介绍了其原理,以及多种程序设计思路,这里不再赘述。

Matrix Matrix_Mul(const Matrix left, const Matrix right)
{
    if (left.col != right.row)
        exit(-1); // 判断左列是否等于右行
    int i, j, k;
    Matrix res = MakeMatrix(left.row, left.row);
    for (i = 0; i < left.row; i++)
    {
        for (j = 0; j < right.col; j++)
        {
            for (k = 0; k < left.col; k++)
            {
                res.data[i][j] += left.data[i][k] * right.data[k][j]; 
            }
        }
    }
    return res;
}

4) LU求逆

Matrix Matrix_LU_Inv(Matrix src)
{
    assert(src.row == src.col);
    int i, j, k, principal;
    Matrix L, U, tmp, res;
    double Lsum, Usum, p, Max;
    L = MakeMatrix(src.row, src.col);
    U = MakeMatrix(src.row, src.col);
    tmp = MakeMatrix(src.row, src.col);
    for (i = 0; i < src.row; i++)
    {
        memcpy(tmp.data[i], src.data[i], sizeof(src.data[0][0]) * src.col);
    }
    // 初始化斜对角线
    for (i = 0; i < L.row; i++)
    {
        for (j = 0; j < L.col; j++)
        {
            if (i == j)
                L.data[i][j] = 1; // L主对角线为1
        }
    }
    // 选主元
    for (j = 0; j < tmp.col; j++)
    {
        // 默认当前主元最大
        principal = j;
        Max = fabs(tmp.data[principal][j]); // 用绝对值比较
        // 只遍历当前主元下方的元素
        for (i = j + 1; i < tmp.row; i++)
        {
            if (fabs(tmp.data[i][j]) > Max)
            {
                principal = i;
                Max = fabs(tmp.data[i][j]);
            }
        }
        if (j != principal)
        {
            for (k = 0; k < tmp.col; k++)
            {
                p = tmp.data[principal][k];
                tmp.data[principal][k] = tmp.data[j][k]; // 交换两行
                tmp.data[j][k] = p;
            }
        }
    }
    // 计算L、U
    for (i = 0; i < tmp.row; i++)
    {
        for (j = 0; j < tmp.col; j++)
        {
            if (i < 1 && j < 1)
            {
                U.data[i][j] = tmp.data[i][j];
            }
            else if (i <= j)
            {
                Usum = 0;
                for (k = 0; k < i; k++)
                {
                    Usum += L.data[i][k] * U.data[k][j]; // 计算求和部分
                }
                U.data[i][j] = tmp.data[i][j] - Usum;
            }
            else
            {
                Lsum = 0;
                for (k = 0; k < j; k++)
                {
                    Lsum += L.data[i][k] * U.data[k][j]; // 计算求和部分
                }
                L.data[i][j] = (tmp.data[i][j] - Lsum) / U.data[j][j];
            }
        }
    }
    free_Matrix(tmp);
    //L求逆
    for (i = 0; i < L.row; i++)
    {
        for (j = 0; j <= i; j++)
        {
            if (i == j)
            {
                L.data[i][j] = 1.0 / L.data[i][j];
            }
            else
            {
                Lsum = 0;
                for (k = j; k < i; k++)
                {
                    Lsum += L.data[i][k] * L.data[k][j];
                }
                L.data[i][j] = -1.0 * Lsum / L.data[i][i];
            }
        }
    }
    // U求逆
    for (j = U.col - 1; j >= 0; j--)
    {
        for (i = j; i >= 0; i--)
        {
            if (i == j)
            {
                U.data[i][j] = 1.0 / U.data[i][j];
            }
            else
            {
                Usum = 0;
                for (k = j; k >= i + 1; k--)
                {
                    Usum += U.data[i][k] * U.data[k][j];
                }
                U.data[i][j] = -1.0 * Usum / U.data[i][i];
            }
        }
    }
    res = Matrix_Mul(U, L); // 乘法
    free_Matrix(L), free_Matrix(U);
    return res;
}

测试

void LU_inv_test()
{
    Matrix arr = MakeMatrix(3, 3);
    rand_Matrix(arr);
    print_Matrix(arr);
    Matrix res = Matrix_LU_Inv(arr);
    print_Matrix(res);
    Matrix res2 = Matrix_Guass_inver(arr);
    print_Matrix(res2);
}
int main()
{
    LU_inv_test();
    return 0;
}

整数矩阵计算: 

C语言计算结果: 

lu分解求逆矩阵,# C语言线性代数,矩阵,线性代数,算法,c语言,开发语言

Matlab计算结果: 

lu分解求逆矩阵,# C语言线性代数,矩阵,线性代数,算法,c语言,开发语言

 显然,二者计算的结果是等价的。


浮点矩阵计算:

C语言计算结果: 

lu分解求逆矩阵,# C语言线性代数,矩阵,线性代数,算法,c语言,开发语言

  Matlab计算结果: 

lu分解求逆矩阵,# C语言线性代数,矩阵,线性代数,算法,c语言,开发语言

显然,二者也是等价的。有兴趣的同学可以尝试创建一万维的矩阵进行运算,该方法也是能够计算的,当然会牺牲一些内存。

  • 矩阵求逆时只涉及到简单的加减乘除运算,运算结果与matlab结果并无差异。而涉及到复杂的浮点数的运算,C语言的计算精度稍显不足。例如:C语言中sqrt开方的处理,与Fortran中的处理就略有差别。对于精度较高的运算,笔者认为使用Fortran是个不错的选择,或者使用各大机构发布的数值运算库(例如Intel OneAPI的mkl库)。 
  • 对于极小或者极大的数,可以考虑加入缩放因子来提高精度。在计算LU矩阵前对原矩阵进行放大,每个元素乘以缩放因子beta,得到逆矩阵同样乘以beta即可。(本文算例不需要加入缩放因子,故所以上文就没有提及)

 LUP求行列式

行列式的求法相对简单,依据前文的公式,最后只需要对U矩阵对主对角线求乘积即可。这里给出代码,各位同学请自行测试。

#include "matrix.h"

double Matrix_LU_Det(Matrix src)
{
    assert(src.row == src.col);
    int i, j, k, principal;
    Matrix L, U, tmp, res;
    double Lsum, Usum, p, Max;
    L = MakeMatrix(src.row, src.col);
    U = MakeMatrix(src.row, src.col);
    tmp = MakeMatrix(src.row, src.col);
    for (i = 0; i < src.row; i++)
    {
        memcpy(tmp.data[i], src.data[i], sizeof(src.data[0][0]) * src.col);
    }
    // 初始化斜对角线
    for (i = 0; i < L.row; i++)
    {
        for (j = 0; j < L.col; j++)
        {
            if (i == j)
                L.data[i][j] = 1; // L主对角线为1
        }
    }
    // 选主元
    for (j = 0; j < tmp.col; j++)
    {
        // 默认当前主元最大
        principal = j;
        Max = fabs(tmp.data[principal][j]); // 用绝对值比较
        // 只遍历当前主元下方的元素
        for (i = j + 1; i < tmp.row; i++)
        {
            if (fabs(tmp.data[i][j]) > Max)
            {
                principal = i;
                Max = fabs(tmp.data[i][j]);
            }
        }
        if (j != principal)
        {
            for (k = 0; k < tmp.col; k++)
            {
                p = tmp.data[principal][k];
                tmp.data[principal][k] = tmp.data[j][k]; // 交换两行
                tmp.data[j][k] = p;
            }
        }
    }
    // 计算L、U
    for (i = 0; i < tmp.row; i++)
    {
        for (j = 0; j < tmp.col; j++)
        {
            if (i < 1 && j < 1)
            {
                U.data[i][j] = tmp.data[i][j];
            }
            else if (i <= j)
            {
                Usum = 0;
                for (k = 0; k < i; k++)
                {
                    Usum += L.data[i][k] * U.data[k][j]; // 计算求和部分
                }
                U.data[i][j] = tmp.data[i][j] - Usum;
            }
            else
            {
                Lsum = 0;
                for (k = 0; k < j; k++)
                {
                    Lsum += L.data[i][k] * U.data[k][j]; // 计算求和部分
                }
                L.data[i][j] = (tmp.data[i][j] - Lsum) / U.data[j][j];
            }
        }
    }
    free_Matrix(tmp);
    p = 1;
    for (i = 0; i < U.row; i++)
    {
        for (j = 0; j < U.col; j++)
        {
            if (i == j)
                p *= U.data[i][j];
        }
    }
    free_Matrix(L), free_Matrix(U);
    return p;
}

结语:

        通过上述的实验,我们发现单纯C语言设计矩阵运算时有些劣势,代码有些冗余而且不易阅读,这些问题将在C++中得到解决,以利用C++将上述结构体与函数统一归为类,然后利用函数重载,优化代码的可阅读性。文章来源地址https://www.toymoban.com/news/detail-778659.html

到了这里,关于C语言——利用矩阵LU分解法求逆、行列式的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 3.3 伴随矩阵法求逆矩阵

      逆矩阵指的是另一个矩阵和自己相乘会变成单位矩阵,符号是右上角一个 − 1 -1 − 1 ,就是: A A − 1 = A − 1 A = I AA^{-1}=A^{-1}A=I A A − 1 = A − 1 A = I   例如以下两个矩阵就是互为逆矩阵: ( − 1 1 0 0 − 3 2 1 0 1 1 0 − 1 4 − 4 − 1 1 ) ( 1 1 1 1 2 1 1 1 − 1 2 1 1 3 2 1 2 ) = ( 1 0

    2024年02月09日
    浏览(51)
  • 矩阵——对称行列式快解

    1、先化成爪型行列式 2、再化成上三角或下三角 第一步:把第1行的1倍分别加至第2、3、4行,化为爪型行列式 第二步:把第2、3、4列的(-1)倍都加到第1列,化为上三角 第三步:得出结果

    2024年02月16日
    浏览(48)
  • 范德蒙矩阵 范德蒙行列式

    应用 文心回答 范德蒙矩阵的应用场景十分广泛,主要体现在以下几个方面: 商业领域:范德蒙矩阵为商业研究提供了一个有力的工具。通过范德蒙矩阵的分析,企业可以更好地理解消费者的行为模式、购买习惯以及社会关系网络,进而制定更精准的营销策略和产品定位。

    2024年03月23日
    浏览(58)
  • 线代:认识行列式、矩阵和向量

    本文主要参考的视频教程如下: 8小时学完线代【中国大学MOOC*小元老师】线性代数速学_哔哩哔哩_bilibili 另外这个视频可以作为补充: 【考研数学 线性代数 基础课】—全集_哔哩哔哩_bilibili 一般会由方程组来引出行列式 比如一个二阶行列式 二阶行列式的计算就是主对角线的

    2024年02月19日
    浏览(48)
  • 矩阵与行列式计算注意点

    要注意,矩阵的初等变换只在计算方程组的解和计算秩的时候使用,而且计算方程组的解时,只能进行行变换,而计算矩阵的秩时,则可以行变换和列变换同时用,因为这样不会改变矩阵的秩。 行列式也是可以同时行变换和列变换,这样也不会改变行列式的值。 矩阵提公因

    2024年02月11日
    浏览(50)
  • 线代第二章 矩阵 +行列式与矩阵的区别

    行列式与矩阵的区别 一、 行列式是一个数,矩阵是一个表格。 (行列式都是n阶的方阵,但矩阵不一定是方阵An×n,也可以是Am×n) 只有n阶矩阵An×n:才有对应的行列式|A|,才能计算对应行列式的模。 二、 行列式的性质:    P201 行列式的某行(或列)有公因子k,则可把k提出

    2023年04月08日
    浏览(45)
  • 方阵行列式与转置矩阵

    1.转置矩阵:格式规定:如果矩阵A为n阶方阵,那么A的T次方为矩阵A的转置矩阵,即将矩阵A的行与列互换。 2.转置矩阵的运算性质:         1.任何方阵的转置矩阵的转置矩阵为方阵自身。         2.多个矩阵的和的转置矩阵等于多个转置矩阵的和,         3.k倍矩阵A的转置

    2024年02月06日
    浏览(49)
  • python如何算矩阵的行列式

    在 Python 中,可以使用 NumPy 库中的 linalg.det() 函数来计算矩阵的行列式。例如,假设你要计算以下矩阵的行列式: $$A=begin{bmatrix}1 2 34 5 67 8 9end{bmatrix}$$ 你可以使用 NumPy 库来计算它的行列式,方法如下: 运行上面的代码后,将输出矩阵 A 的行列式的值,即: 注意,如果矩阵

    2024年02月12日
    浏览(53)
  • 【线性代数】一、行列式和矩阵

    ∣ A B ∣ = ∣ A ∣ ∣ B ∣ |AB|=|A||B| ∣ A B ∣ = ∣ A ∣ ∣ B ∣ 行列互换其值不变, ∣ A T ∣ = ∣ A ∣ |A^T|=|A| ∣ A T ∣ = ∣ A ∣ ∣ A ∗ ∣ = ∣ A ∣ n − 1 ( 由 A A ∗ = ∣ A ∣ E 推 导 而 来 ) |A^*|=|A|^{n-1}(由AA^*=|A|E推导而来) ∣ A ∗ ∣ = ∣ A ∣ n − 1 ( 由 A A ∗ = ∣ A ∣ E 推 导 而

    2024年02月05日
    浏览(53)
  • Python矩阵LU分解

    scipy.linalg 中提供了一系列矩阵分解函数,其中最基础的肯定是LU分解。 LU分解,即使得矩阵 A A A 分解为 L U LU LU ,其中 L L L 为下三角阵, U U U 为上三角阵。对于这两种矩阵, scipy.linalg 中提供了 tril, triu ,可以将第 k k k 条对角线下面或上面的所有元素置零,即可以此获取L矩

    2024年02月08日
    浏览(34)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包