矩阵乘法与求幂可视化
选择运算:
×
=
计算过程详解
矩阵高级运算原理解析
一、矩阵乘法 ($A \times B$)
矩阵乘法不是对应位置元素的简单相乘。若矩阵 $A$ 是一个 $m \times n$ 的矩阵，矩阵 $B$ 是一个 $n \times p$ 的矩阵，则它们的乘积 $C = A \times B$ 会是一个 $m \times p$ 的矩阵。
注意：两个矩阵能够相乘的前提条件是：第一个矩阵的列数必须等于第二个矩阵的行数。
乘积矩阵 $C$ 中第 $i$ 行第 $j$ 列的元素 $c_{ij}$，等于矩阵 $A$ 的第 $i$ 行与矩阵 $B$ 的第 $j$ 列对应元素的乘积之和（即点积）：
$$c_{ij} = a_{i1}b_{1j} + a_{i2}b_{2j} + \cdots + a_{in}b_{nj} = \sum_{k=1}^{n} a_{ik}b_{kj}$$矩阵乘法的重要性质：
- 不满足交换律：一般情况下 $A \times B \neq B \times A$ （即使两者都能相乘）。
- 满足结合律：$(A \times B) \times C = A \times (B \times C)$。
- 满足分配律：$A \times (B + C) = A \times B + A \times C$。
二、方阵的幂 ($A^k$)
当一个矩阵是方阵（行数等于列数，即 $n \times n$）时，我们可以对它进行求幂运算。方阵的 $k$ 次幂就是将该矩阵自身连乘 $k$ 次。
设 $A$ 为 $n$ 阶方阵，$k$ 为正整数：
$$A^k = \underbrace{A \times A \times \cdots \times A}_{k \text{ 个 } A}$$特别地，规定非零方阵的 0 次幂为同阶单位矩阵：$A^0 = I$
在计算机图形学、马尔可夫链状态转移以及图论中，方阵的幂有着极其重要的现实应用。例如图论中的邻接矩阵 $A^k$ 能够表示从一个顶点到另一个顶点长度为 $k$ 的路径数量。