javascript实现数据结构: 稀疏矩阵之三元组线性表表示

稀疏矩阵(Sparse Matrix)：对于稀疏矩阵，目前还没有一个确切的定义。设矩阵A是一个n*m的矩阵中有s个非零元素，设  δ=s/(n*m)，称δ为稀疏因子，

如果某一矩阵的稀疏因子δ满足δ≦0.05时称为稀疏矩阵，

稀疏矩阵的压缩存储

对于稀疏矩阵，采用压缩存储方法时，只存储非0元素。必须存储非0元素的行下标值、列下标值、元素值。因此，一个三元组(i, j, aij)唯一确定稀疏矩阵的一个非零元素。

上图的稀疏矩阵A的三元组线性表为： ( (1,2,12), (1,3,9), (3,1,-3), (3,8,4), (4,3,24), (5,2,18), (6,7,-7), (7,4,-6) )

1  三元组顺序表

若以行序为主序，稀疏矩阵中所有非0元素的三元组，就可以得构成该稀疏矩阵的一个三元组顺序表。

function Triple(i, j, elem) {
    // 该非零元的行下标和列下标
    this.i = i || 0;
    this.j = j || 0;
    this.e = elem || null;
}

function TSMatrix(mu, nu) {
    // 非零元三元组表
    this.data = [];
    // 矩阵的行数，列数
    this.mu = mu || 0;
    this.nu = nu || 0;
}

下图所示的稀疏矩阵及其相应的转置矩阵所对应的三元组顺序表：

一个m*n的矩阵A，它的转置B是一个n*m的矩阵，且b[i][j]=a[j][i]，0≦i≦n，0≦j≦m，即B的行是A的列，B的列是A的行。

设稀疏矩阵A是按行优先顺序压缩存储在三元组表a.data中，若仅仅是简单地交换a.data中i和j的内容，得到三元组表b.data，

b.data将是一个按列优先顺序存储的稀疏矩阵B，要得到按行优先顺序存储的b.data，就必须重新排列三元组表b.data中元素的顺序。

求转置矩阵的基本算法思想是：

① 将矩阵的行、列下标值交换。即将三元组表中的行、列位置值i 、j相互交换；

② 重排三元组表中元素的顺序。即交换后仍然是按行优先顺序排序的。

方法一： 算法思想：按稀疏矩阵A的三元组表a.data中的列次序依次找到相应的三元组存入b.data中。

每找转置后矩阵的一个三元组，需从头至尾扫描整个三元组表a.data 。找到之后自然就成为按行优先的转置矩阵的压缩存储表示

TSMatrix.prototype = {
    constructor: TSMatrix,
    addTriple: function (triple) {
        if (triple instanceof Triple) {
            if(triple.i >= this.mu)
                this.mu = triple.i + 1;
            if(triple.j >= this.nu)
                this.nu = triple.j + 1;

            this.data.push(triple);
            return true;
        }
        return false;
    },
    // 采用三元组表存储表示，求稀疏矩阵的转置矩阵t
    // 按照b.data中三元组的次序依次在a.data中找到相应的三元组进行转置
    transposeSMatrix: function () {
        var t = new TSMatrix();
        t.mu = this.nu;
        t.nu = this.mu;

        if (this.data.length) {
            var q = 0;
            for (var col = 0; col < this.nu; col++) {
                for (var p = 0; p < this.data.length; p++) {
                    if (this.data[p].j === col)
                        t.data[q++] = new Triple(this.data[p].j, this.data[p].i, this.data[p].e);
                }
            }
        }

        return t;
    }
};

算法分析：本算法主要的工作是在p和col的两个循环中完成的，故算法的时间复杂度为O(nu * data.length)，即矩阵的列数和非0元素的个数的乘积成正比。

方法二(快速转置的算法) 算法思想：

直接按照稀疏矩阵A的三元组表a.data的次序依次顺序转换，并将转换后的三元组放置于三元组表b.data的恰当位置。

前提：若能预先确定原矩阵A中每一列的(即B中每一行)第一个非0元素在b.data中应有的位置，则在作转置时就可直接放在b.data中恰当的位置。

因此，应先求得A中每一列的非0元素个数。 附设两个辅助向量num[ ]和cpot[ ] 。

◆ num[col]：统计A中第col列中非0元素的个数；

◆ cpot[col] ：指示A中第一个非0元素在b.data中的恰当位置。

显然有位置对应关系：

快速转置算法如下：

// 采用三元组表存储表示，求稀疏矩阵的转置矩阵t
/*
 按照a.data中三元组的次序进行转置，并将转置后的三元组置入b中恰当的位置。
 如果能预先确定矩阵M中每一列（即T中每一行）的第一个非零元在b.data中应有的位置，
 那么在对a.data中的三元组依次做转置时，便可直接放到b.data中恰当的位置上去。
 为了其额定这些位置，在转置前，应先求得M的每一列中非零元的个数，进而求得每一列的第一个非零元在b.data中应有的位置。
 在此，需要设num和cpot两个变量。num[col]表示矩阵M中第col列中非零元的个数，
 cpot[col]指示M中第col列的第一个非零元在b.data中的恰当位置。显然有：
 cpot[0] = 1;
 cpot[col] = cpot[col - 1] + num[col - 1]    2 <= col <= a.nu
 */
TSMatrix.prototype.fastTransposeSMatrix = function(){
    var t = new TSMatrix();
    t.mu = this.nu;
    t.nu = this.mu;

    if(this.data.length){
        var num = [];
        for(var col = 0; col < this.nu; col++)
            num[col] = 0;
        for(var i = 0; i < this.data.length; i++)
            ++num[this.data[i].j];  // 求矩阵中每一列含非零元个数
        // 求第col列中第一个非零元在b.data中的序号
        var cpot = [0];
        for(col = 1; col < this.nu; col++)
            // 上一列之前的序号+上一列的非零元个数 = 该列的序号
            cpot[col] = cpot[col - 1] + num[col - 1];
        for(var p = 0; p < this.data.length; p++){
            col = this.data[p].j;
            var q = cpot[col];
            t.data[q] = new Triple(this.data[p].j, this.data[p].i, this.data[p].e);
            // 给该列的序号+1，用作相同列数的情况
            ++cpot[col];
        }
    }

    return t;
}

三元组顺序表又称有序的双下标法，它的特点是，非零元在表中按行序有序存储，因此便于进行依行顺序处理的矩阵运算。
然而，若需按行号存取某一行的非零元，则从头开始进行查找。

行逻辑链接的顺序表

为了便于随机存取任意一行的非零元，则需知道每一行的第一个非零元在三元组表中的位置。

为此可将快速转置矩阵的算法中创建的，指示“行”信息的辅助数组cpot固定在稀疏矩阵的存储结构中。

称这种“带行链接信息”的三元组表为行逻辑链接的顺序表

设有两个稀疏矩阵A=(aij)m*n ，B=(bij)n*p ，其存储结构采用行逻辑链接的三元组顺序表。求稀疏矩阵的乘法：

function RLSMatrix(mu, nu){
    TSMatrix.apply(this, arguments);
    this.rpos = [0];
}
RLSMatrix.MAXSIZE = 100;
RLSMatrix.prototype = {
    constructor: RLSMatrix,
    __proto__: TSMatrix.prototype,
    // todo
    /**
     * 求矩阵乘积Q = M * N，采用行逻辑链接存储表示
     * @param nMatrix
     * @returns {RLSMatrix}
     */
    multSMatrix: function(nMatrix){
        if(this.nu !== nMatrix.mu) throw Error('nu is not equivalent to mu');

        // 初始化Q
        var qMatrix = new RLSMatrix(this.mu, nMatrix.nu);
        // Q是非零矩阵
        if(this.data.length * nMatrix.data.length !== 0){
            // 处理M的每一行
            for(var arow = 0; arow < this.mu; arow++){
                // 当前行各元素累加器清零
                var ctemp = [];
                qMatrix.rpos[arow] = qMatrix.data.length + 1;
                var tp, ccol;

                if(arow < this.mu)
                    tp = this.rpos[arow + 1];
                 else
                    tp = this.data.length + 1;

                //对当前行中每一个非零元找到对应元在N中的行号
                for(var p = this.rpos[arow]; p < tp; p++){
                    var brow = this.data[p].j;
                    var t;
                    if(brow < nMatrix.mu)
                        t = nMatrix.rpos[brow + 1];
                    else
                        t = nMatrix.data.length + 1;

                    for(var q = nMatrix.rpos[brow]; q < t; q++){
                        // 乘积元素在Q中的序号
                        ccol = nMatrix.data[q].j;
                        ctemp[ccol] = (ctemp[ccol] || 0) + this.data[p].e * nMatrix.data[q].e;
                    }
                }

                // 压缩存储该行非零元
                for(ccol = 1; ccol < qMatrix.nu; ccol++){
                    if(ctemp[ccol]){
                        if(++qMatrix.data.length > RLSMatrix.MAXSIZE) throw Error('overflow');
                        qMatrix.data[qMatrix.data.length - 1] = new Triple(arow, ccol, ctemp[ccol]);
                    }
                }
            }
        }

        return qMatrix;
    },
    _calcPos: function clcPos(){
        var num = [];
        for(var col = 0; col < this.nu; col++)
            num[col] = 0;
        for(var i = 0; i < this.data.length; i++)
            ++num[this.data[i].j];  // 求矩阵中每一列含非零元个数
        // 求第col列中第一个非零元在b.data中的序号
        for(col = 1; col < this.nu; col++)
            // 上一列之前的序号+上一列的非零元个数 = 该列的序号
            this.rpos[col] = this.rpos[col - 1] + num[col - 1];
    }
};

所有代码：

/**
 * 系数矩阵的三元组顺序表存储表示
 */


function Triple(i, j, elem) {
    // 该非零元的行下标和列下标
    this.i = i || 0;
    this.j = j || 0;
    this.e = elem || null;
}

function TSMatrix(mu, nu) {
    // 非零元三元组表
    this.data = [];
    // 矩阵的行数，列数
    this.mu = mu || 0;
    this.nu = nu || 0;
}
TSMatrix.prototype = {
    constructor: TSMatrix,
    addTriple: function (triple) {
        if (triple instanceof Triple) {
            if(triple.i >= this.mu)
                this.mu = triple.i + 1;
            if(triple.j >= this.nu)
                this.nu = triple.j + 1;

            this.data.push(triple);
            return true;
        }
        return false;
    },
    // 采用三元组表存储表示，求稀疏矩阵的转置矩阵t
    // 按照b.data中三元组的次序依次在a.data中找到相应的三元组进行转置
    transposeSMatrix: function () {
        var t = new TSMatrix();
        t.mu = this.nu;
        t.nu = this.mu;

        if (this.data.length) {
            var q = 0;
            for (var col = 0; col < this.nu; col++) {
                for (var p = 0; p < this.data.length; p++) {
                    if (this.data[p].j === col)
                        t.data[q++] = new Triple(this.data[p].j, this.data[p].i, this.data[p].e);
                }
            }
        }

        return t;
    },
    // 采用三元组表存储表示，求稀疏矩阵的转置矩阵t
    /*
    按照a.data中三元组的次序进行转置，并将转置后的三元组置入b中恰当的位置。
    如果能预先确定矩阵M中每一列（即T中每一行）的第一个非零元在b.data中应有的位置，
    那么在对a.data中的三元组依次做转置时，便可直接放到b.data中恰当的位置上去。
    为了其额定这些位置，在转置前，应先求得M的每一列中非零元的个数，进而求得每一列的第一个非零元在b.data中应有的位置。
    在此，需要设num和cpot两个变量。num[col]表示矩阵M中第col列中非零元的个数，
    cpot[col]指示M中第col列的第一个非零元在b.data中的恰当位置。显然有：
    cpot[0] = 1;
    cpot[col] = cpot[col - 1] + num[col - 1]    2 <= col <= a.nu
     */
    fastTransposeSMatrix: function(){
        var t = new TSMatrix();
        t.mu = this.nu;
        t.nu = this.mu;

        if(this.data.length){
            var num = [];
            for(var col = 0; col < this.nu; col++)
                num[col] = 0;
            for(var i = 0; i < this.data.length; i++)
                ++num[this.data[i].j];  // 求矩阵中每一列含非零元个数
            // 求第col列中第一个非零元在b.data中的序号
            var cpot = [0];
            for(col = 1; col < this.nu; col++)
                // 上一列之前的序号+上一列的非零元个数 = 该列的序号
                cpot[col] = cpot[col - 1] + num[col - 1];
            for(var p = 0; p < this.data.length; p++){
                col = this.data[p].j;
                var q = cpot[col];
                t.data[q] = new Triple(this.data[p].j, this.data[p].i, this.data[p].e);
                // 给该列的序号+1，用作相同列数的情况
                ++cpot[col];
            }
        }

        return t;
    }
};

var a1 = new Triple(1, 2, 12);
var a2 = new Triple(1, 3, 9);
var a3 = new Triple(3, 1, -3);
var a4 = new Triple(3, 6, 14);
var a5 = new Triple(4, 3, 24);
var a6 = new Triple(5, 2, 18);
var a7 = new Triple(6, 1, 15);
var a8 = new Triple(6, 4, -7);

var matrix = new TSMatrix();
matrix.addTriple(a1);
matrix.addTriple(a2);
matrix.addTriple(a3);
matrix.addTriple(a4);
matrix.addTriple(a5);
matrix.addTriple(a6);
matrix.addTriple(a7);
matrix.addTriple(a8);

console.log(matrix.transposeSMatrix());
console.log(matrix.fastTransposeSMatrix());

/*
三元组顺序表又称有序的双下标法，它的特点是，非零元在表中按行序有序存储，因此便于进行依行顺序处理的矩阵运算。
然而，若需按行号存取某一行的非零元，则从头开始进行查找。
 */

/**
 * 行逻辑链接的顺序表
 *
 * 为了便于随机存取任意一行的非零元，则需知道每一行的第一个非零元在三元组表中的位置。
 * 为此可将快速转置矩阵的算法中创建的，指示“行”信息的辅助数组cpot固定在稀疏矩阵的存储结构中。
 * 称这种“带行链接信息”的三元组表为行逻辑链接的顺序表
 */

function RLSMatrix(mu, nu){
    TSMatrix.apply(this, arguments);
    this.rpos = [0];
}
RLSMatrix.MAXSIZE = 100;
RLSMatrix.prototype = {
    constructor: RLSMatrix,
    __proto__: TSMatrix.prototype,
    // todo
    /**
     * 求矩阵乘积Q = M * N，采用行逻辑链接存储表示
     * @param nMatrix
     * @returns {RLSMatrix}
     */
    multSMatrix: function(nMatrix){
        if(this.nu !== nMatrix.mu) throw Error('nu is not equivalent to mu');

        // 初始化Q
        var qMatrix = new RLSMatrix(this.mu, nMatrix.nu);
        // Q是非零矩阵
        if(this.data.length * nMatrix.data.length !== 0){
            // 处理M的每一行
            for(var arow = 0; arow < this.mu; arow++){
                // 当前行各元素累加器清零
                var ctemp = [];
                qMatrix.rpos[arow] = qMatrix.data.length + 1;
                var tp, ccol;

                if(arow < this.mu)
                    tp = this.rpos[arow + 1];
                 else
                    tp = this.data.length + 1;

                //对当前行中每一个非零元找到对应元在N中的行号
                for(var p = this.rpos[arow]; p < tp; p++){
                    var brow = this.data[p].j;
                    var t;
                    if(brow < nMatrix.mu)
                        t = nMatrix.rpos[brow + 1];
                    else
                        t = nMatrix.data.length + 1;

                    for(var q = nMatrix.rpos[brow]; q < t; q++){
                        // 乘积元素在Q中的序号
                        ccol = nMatrix.data[q].j;
                        ctemp[ccol] = (ctemp[ccol] || 0) + this.data[p].e * nMatrix.data[q].e;
                    }
                }

                // 压缩存储该行非零元
                for(ccol = 1; ccol < qMatrix.nu; ccol++){
                    if(ctemp[ccol]){
                        if(++qMatrix.data.length > RLSMatrix.MAXSIZE) throw Error('overflow');
                        qMatrix.data[qMatrix.data.length - 1] = new Triple(arow, ccol, ctemp[ccol]);
                    }
                }
            }
        }

        return qMatrix;
    },
    _calcPos: function clcPos(){
        var num = [];
        for(var col = 0; col < this.nu; col++)
            num[col] = 0;
        for(var i = 0; i < this.data.length; i++)
            ++num[this.data[i].j];  // 求矩阵中每一列含非零元个数
        // 求第col列中第一个非零元在b.data中的序号
        for(col = 1; col < this.nu; col++)
            // 上一列之前的序号+上一列的非零元个数 = 该列的序号
            this.rpos[col] = this.rpos[col - 1] + num[col - 1];
    }
};

var b1 = new Triple(1, 1, 3);
var b2 = new Triple(1, 3, 5);
var b3 = new Triple(2, 2, -1);
var b4 = new Triple(3, 1, 2);

var t1 = new RLSMatrix();
t1.addTriple(b1);
t1.addTriple(b2);
t1.addTriple(b3);
t1.addTriple(b4);
t1._calcPos();

var c1 = new Triple(1, 2, 2);
var c2 = new Triple(2, 1, 1);
var c3 = new Triple(3, 1, -2);
var c4 = new Triple(3, 2, 4);

var t2 = new RLSMatrix();
t2.addTriple(c1);
t2.addTriple(c2);
t2.addTriple(c3);
t2.addTriple(c4);
t2._calcPos();

t1.multSMatrix(t2);