实验课上所使用的课件同步在学在浙大发布。
本次实验内容为课程作业,计算成绩。你需要将C++ 源代码和实验文档打包并上传至学在浙大,压缩包名称为Lab3-学号-姓名.zip/7z
。请在 README 中注明代码编译方法。
本次作业提交截止时间:2025年3月18日 23:59:59,逾期将要扣分。
请使用 C++ 语言作为编程语言。
对于一个 (m, n)
的矩阵,若矩阵中的零元素的数目远多于非零元素的数目,则称该矩阵为稀疏矩阵。本实验要求自行实现一种稀疏矩阵。推荐的稀疏矩阵存储方式包括:
这里简单介绍一下压缩行存储 (CRS) 的朴素实现。CRS 维护三个数组,分别是:
对于简单的矩阵 A:
其 CRS 表示为:
val = {5,1,8,2,3}
col_ind = {0,1,1,3,2}
row_ptr = {0,2,3,4,5}
请同学们基于 sparse.h 实现 Sparse
类,并在实验报告中明确指出自己实现的稀疏矩阵方式。要求保证实现的 Sparse
类至少具备以下的几种最基本的 public
成员函数:
at(row, col)
: 根据row
和column
的系数来查询矩阵里面的元素的数值,即查询矩阵 A
的元素 A[row][col]
insert(val, row, col)
: 将 val
替换/插入到 (row, col)
这个位置去initializeFromVector(rows, cols, vals)
: 根据向量来初始化一个稀疏矩阵。其中 rows
, cols
, vals
皆为等长度的向量。rows
里面存的是行系数,cols
里面存的是列系数,vals
里面存的是数值。例如,vals[i]
对应的就是 A[rows[i]][cols[i]]
的值为了便于同学们的实现,对矩阵做出以下约定:
int
1e-10
以内,即如果一个矩阵元素的绝对值小于 1e-10
,则可以认为它就是 0备注:关于 CRS 与 CSC 的实现实现方式可以参考下面的网站:
- http://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csr_matrix.html
- http://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csc_matrix.html
- http://en.wikipedia.org/wiki/Sparse_matrix
- http://eigen.tuxfamily.org/dox/group__TutorialSparse.html
此外,有兴趣的同学也可以尝试将自己的实现与 Eigen Library 的 Sparse Matrix 进行比较,看是自己的实现比较高效还是 Eigen Library 的实现比较高效。
本实验要求在自己实现的稀疏矩阵的表达的基础上,实现 Gauss-Seidel 方法,以求解大规模的稀疏线性方程组。
关于 Gauss-Seidel 方法的介绍已经在 课件中进行了详细的介绍。这里帮大家贴上算法的伪代码:
请同学们参照课件,基于 hw3_solve.h 所定义的接口 Gauss_Seidel(A, b, error)
进行代码的编写,其中参数
此外还有一些额外的辅助资料提供参考:
为了方便同学们验证实现的正确性,这里给出一个小的Test Case:
求解得到的结果应该为:
x = [1, 2, -1, 1];
有余力的同学可以参考相关资料实现共轭梯度法求解线性方程组。
维基百科上有比较详细的共轭梯度法的介绍:Conjugate gradient method
希望完成该 bonus 的同学请基于 hw3_solve.h 所定义的接口Conjugate_Gradient(A, b, error, kmax)
进行代码的编写,其中有
实验提供 main.cpp 对稀疏矩阵的实现、G-S 迭代(和共轭梯度法,可选)求解进行基础的正确性验证。 同时,我们也提供了一个参考的 makefile 文件,方便同学们编译测试。
你需要完善自己的测试样例,并在实验报告中说明。在作业批改时,将会对你的实现进行更复杂的测试,包括最高 30000 × 30000 的随机矩阵求解。 当然,非常也欢迎大家提交自己补充的测试代码。在这里重新列出所有提供的模板代码:
这些代码被打包在 code.zip 中。此外,这里有一些问题,帮助同学们更好地理解和完成实验:
- CRS 和 CCS 分别擅长处理什么任务?对于本实验的方程组求解,更适合使用哪种实现方式?
- 初始化的 cols 和 rows 不一定是递增给出的,应该如何处理?
- Gauss-Seidel迭代和共轭迭代的收敛条件有什么区别?观察你的实验结果,尝试解释两种方法迭代步数差别存在的原因。