Алгоритм Штрассена | это... Что такое Алгоритм Штрассена? (original) (raw)

Алгоритм Штрассена предназначен для быстрого умножения матриц. Он был разработан Штрассеном в 1969 году как обобщение метода умножения Карацубы на матрицы.

В отличие от традиционного алгоритма умножения матриц (по формуле cik = Σaijbjk), работающего за время Θ(n³) = Θ(nlog2 8), алгоритм Штрассена умножает матрицы за время Θ(nlog2 7) = Θ(n2.81), что даёт выигрыш на больших плотных матрицах (начиная, примерно, от 64×64).

Несмотря на то, что алгоритм Штрассена является не самым быстрым из существующих алгоритмов быстрого умножения матриц, он проще программируется, поэтому именно он чаще используется на практике.

Алгоритм

Пусть A, B — две квадратные матрицы над кольцом R. Матрица C получается по формуле:

$\mathbf{C} = \mathbf{A} \mathbf{B} \qquad \mathbf{A},\mathbf{B},\mathbf{C} \in R^{2^n \times 2^n}$

Если размер умножаемых матриц n не является натуральной степенью двойки, мы дополняем исходные матрицы дополнительными нулевыми строками и столбцами. При этом мы получаем удобные для рекурсивного умножения размеры, но теряем в эффективности за счёт дополнительных ненужных умножений.

Разделим матрицы A, B и C на равные по размеру блочные матрицы

$\mathbf{A} = \begin{bmatrix} \mathbf{A}_{1,1} & \mathbf{A}_{1,2} \\ \mathbf{A}_{2,1} & \mathbf{A}_{2,2} \end{bmatrix} \mbox { , } \mathbf{B} = \begin{bmatrix} \mathbf{B}_{1,1} & \mathbf{B}_{1,2} \\ \mathbf{B}_{2,1} & \mathbf{B}_{2,2} \end{bmatrix} \mbox { , } \mathbf{C} = \begin{bmatrix} \mathbf{C}_{1,1} & \mathbf{C}_{1,2} \\ \mathbf{C}_{2,1} & \mathbf{C}_{2,2} \end{bmatrix}$

где

$\mathbf{A}_{i,j}, \mathbf{B}_{i,j}, \mathbf{C}_{i,j} \in R^{2^{n-1} \times 2^{n-1}}$

тогда

$\mathbf{C}_{1,1} = \mathbf{A}_{1,1} \mathbf{B}_{1,1} + \mathbf{A}_{1,2} \mathbf{B}_{2,1}$

$\mathbf{C}_{1,2} = \mathbf{A}_{1,1} \mathbf{B}_{1,2} + \mathbf{A}_{1,2} \mathbf{B}_{2,2}$

$\mathbf{C}_{2,1} = \mathbf{A}_{2,1} \mathbf{B}_{1,1} + \mathbf{A}_{2,2} \mathbf{B}_{2,1}$

$\mathbf{C}_{2,2} = \mathbf{A}_{2,1} \mathbf{B}_{1,2} + \mathbf{A}_{2,2} \mathbf{B}_{2,2}$

Однако с помощью этой процедуры нам не удалось уменьшить количество умножений. Как и в обычном методе, нам требуется 8 умножений.

Теперь определим новые элементы

$\mathbf{P}_{1} := (\mathbf{A}_{1,1} + \mathbf{A}_{2,2}) (\mathbf{B}_{1,1} + \mathbf{B}_{2,2})$

$\mathbf{P}_{2} := (\mathbf{A}_{2,1} + \mathbf{A}_{2,2}) \mathbf{B}_{1,1}$

$\mathbf{P}_{3} := \mathbf{A}_{1,1} (\mathbf{B}_{1,2} - \mathbf{B}_{2,2})$

$\mathbf{P}_{4} := \mathbf{A}_{2,2} (\mathbf{B}_{2,1} - \mathbf{B}_{1,1})$

$\mathbf{P}_{5} := (\mathbf{A}_{1,1} + \mathbf{A}_{1,2}) \mathbf{B}_{2,2}$

$\mathbf{P}_{6} := (\mathbf{A}_{2,1} - \mathbf{A}_{1,1}) (\mathbf{B}_{1,1} + \mathbf{B}_{1,2})$

$\mathbf{P}_{7} := (\mathbf{A}_{1,2} - \mathbf{A}_{2,2}) (\mathbf{B}_{2,1} + \mathbf{B}_{2,2})$

которые затем используются для выражения _C_i, j. Таким образом, нам нужно всего 7 умножений на каждом этапе рекурсии. Элементы матрицы C выражаются из _P_k по формулам

$\mathbf{C}_{1,1} = \mathbf{P}_{1} + \mathbf{P}_{4} - \mathbf{P}_{5} + \mathbf{P}_{7}$

$\mathbf{C}_{1,2} = \mathbf{P}_{3} + \mathbf{P}_{5}$

$\mathbf{C}_{2,1} = \mathbf{P}_{2} + \mathbf{P}_{4}$

$\mathbf{C}_{2,2} = \mathbf{P}_{1} - \mathbf{P}_{2} + \mathbf{P}_{3} + \mathbf{P}_{6}$

Итерационный процесс продолжается n раз, до тех пор пока матрицы _C_i, j не выродятся в числа (элементы кольца R). На практике итерации останавливают при размере матриц от 32 до 128 и далее используют обычный метод умножения матриц. Это делают из-за того, что алгоритм Штрассена теряет эффективность по сравнению с обычным на малых матрицах в силу большего числа сложений.

Пример реализации на Фортране

Приведён пример реализации алгоритма Штрассена на Фортране. Предполагается, что все матрицы квадратные, их размер является степенью 2.

MODULE STRASSEN_MUL

CONTAINS ! X = A * B ! V - dimension of matrices RECURSIVE SUBROUTINE MUL(A, B, V, C)

INTEGER, INTENT(IN) :: V DOUBLE PRECISION, INTENT(IN) :: A( : , : ), B( : , : ) INTEGER :: H ! H = V/2 (see below) DOUBLE PRECISION, INTENT(OUT) :: C(V, V) DOUBLE PRECISION, DIMENSION(:,:), ALLOCATABLE :: P1, P2, P3, P4, P5, P6, P7 DOUBLE PRECISION, DIMENSION(:,:), ALLOCATABLE :: A11, A12, A21, A22, B11, B12, B21, B22

IF (V <= 64) THEN ! if dimension equals 64 use MUL2 CALL MUL2 (A, B, V, C) RETURN ENDIF

H = V/2

ALLOCATE (P1(H,H), P2(H,H), P3(H,H), P4(H,H), P5(H,H), P6(H,H), P7(H,H)) ALLOCATE (A11(H,H), A12(H,H), A21(H,H), A22(H,H), B11(H,H), B12(H,H), B21(H,H), B22(H,H))

A11 (1:H, 1:H) = A (1:H, 1:H) A12 (1:H, 1:H) = A (1:H, H+1:V) A21 (1:H, 1:H) = A (H+1:V, 1:H) A22 (1:H, 1:H) = A (H+1:V, H+1:V)

B11 (1:H, 1:H) = B (1:H, 1:H) B12 (1:H, 1:H) = B (1:H, H+1:V) B21 (1:H, 1:H) = B (H+1:V, 1:H) B22 (1:H, 1:H) = B (H+1:V, H+1:V)

!$OMP PARALLEL CALL MUL(A11 + A22, B11 + B22, H, P1) ! P1 = (A11 + A22) * (B11 + B22) CALL MUL(A21 + A22, B11, H, P2) ! etc. ... CALL MUL(A11, B12 - B22, H, P3) CALL MUL(A22, B21 - B11, H, P4) CALL MUL(A11 + A12, B22, H, P5) CALL MUL(A21 - A11, B11 + B12, H, P6) CALL MUL(A12 - A22, B21 + B22, H, P7) !$OMP END PARALLEL

DEALLOCATE (B11, B12, B21, B22) DEALLOCATE (A11, A12, A21, A22)

C (1:H, 1:H) = P1 + P4 + P7 - P5 C (1:H, H+1:V) = P3 + P5 C (H+1:V, 1:H) = P2 + P4 C (H+1:V, H+1:V) = P1 - P2 + P3 + P6

DEALLOCATE (P1, P2, P3, P4, P5, P6, P7)

RETURN END SUBROUTINE MUL

! X = A * B using standard method SUBROUTINE MUL2 (A, B, V, X) IMPLICIT NONE INTEGER, INTENT(IN) :: V DOUBLE PRECISION, INTENT(IN) :: A( : , : ), B( : , : ) DOUBLE PRECISION, INTENT(OUT), DIMENSION (:,:) :: X INTEGER :: I, J, K DO I = 1, V DO J = 1, V X (I, J) = 0 DO K = 1, V X (I, J) = X (I, J) + A (I, K) * B (K, J) ENDDO ENDDO ENDDO RETURN END SUBROUTINE MUL2

END MODULE STRASSEN_MUL

Вычисления промежуточных матриц P1 — P7 можно проводить параллельно при использовании таких библиотек как OpenMP или MPI, что позволяет значительно повысить скорость работы алгоритма на многопроцессорных машинах.

Дальнейшее развитие

Штрассен был первым, кто показал возможность умножения матриц более эффективным способом, чем стандартный. После публикации его работы в 1969 начались активные поиски более быстрого алгоритма. Самым асимптотически быстрым алгоритмом на сегодняшний день является алгоритм Копперсмита — Винограда, позволяющий перемножать матрицы за ${\rm O}(n^{2.376})$ операций[1], предложенный в 1987 году и усовершенствованный в 2011 году до уровня ${\rm O}(n^{2.3727})$ [1]. Этот алгоритм не представляет практического интереса в силу астрономически большой константы в оценке арифметической сложности. Вопрос о наиболее быстром и устойчивом практическом алгоритме умножения больших матриц остается нерешенным. Существует гипотеза Штрассена о том, что для больших n существует алгоритм перемножения двух матриц размера $n \times n$ за ${\rm O}(n^{2+\varepsilon})$ операций, где $\varepsilon$ сколь угодно малое положительное число.

Алгоритм Винограда-Штрассена

Существует модификация алгоритма Штрассена, для которой требуется 7 умножений и 15 сложений (вместо 18 для обычного алгоритма Штрассена).

Матрицы A, B и C делятся на блочные подматрицы как показано выше.

Вычисляются промежуточные матрицы S1 — S8, P1 — P7, T1 — T2

$\mathbf{S}_{1} := (\mathbf{A}_{2,1} + \mathbf{A}_{2,2})$

$\mathbf{S}_{2} := (\mathbf{S}_{1} - \mathbf{A}_{1,1})$

$\mathbf{S}_{3} := (\mathbf{A}_{1,1} - \mathbf{A}_{2,1})$

$\mathbf{S}_{4} := (\mathbf{A}_{1,2} - \mathbf{S}_{2})$

$\mathbf{S}_{5} := (\mathbf{B}_{1,2} - \mathbf{B}_{1,1})$

$\mathbf{S}_{6} := (\mathbf{B}_{2,2} - \mathbf{S}_{5})$

$\mathbf{S}_{7} := (\mathbf{B}_{2,2} - \mathbf{B}_{1,2})$

$\mathbf{S}_{8} := (\mathbf{S}_{6} - \mathbf{B}_{2,1})$

$\mathbf{P}_{1} := \mathbf{S}_{2} \mathbf{S}_{6}$

$\mathbf{P}_{2} := \mathbf{A}_{1,1} \mathbf{B}_{1,1}$

$\mathbf{P}_{3} := \mathbf{A}_{1,2} \mathbf{B}_{2,1}$

$\mathbf{P}_{4} := \mathbf{S}_{3} \mathbf{S}_{7}$

$\mathbf{P}_{5} := \mathbf{S}_{1} \mathbf{S}_{5}$

$\mathbf{P}_{6} := \mathbf{S}_{4} \mathbf{B}_{2,2}$

$\mathbf{P}_{7} := \mathbf{A}_{2,2} \mathbf{S}_{8}$

$\mathbf{T}_{1} := \mathbf{P}_{1} + \mathbf{P}_{2}$

$\mathbf{T}_{2} := \mathbf{T}_{1} + \mathbf{P}_{4}$

Элементы матрицы C вычисляются по формулам

$\mathbf{C}_{1,1} := \mathbf{P}_{2} + \mathbf{P}_{3}$

$\mathbf{C}_{1,2} := \mathbf{T}_{1} + \mathbf{P}_{5} + \mathbf{P}_{6}$

$\mathbf{C}_{2,1} := \mathbf{T}_{2} - \mathbf{P}_{7}$

$\mathbf{C}_{2,2} := \mathbf{T}_{2} + \mathbf{P}_{5}$

Примечания

↑ 1 2 Математики преодолели барьер Копперсмита-Винограда. lenta.ru (12 декабря 2011). Архивировано из первоисточника 17 февраля 2012. Проверено 12 декабря 2011.

Литература

Volker Strassen: Gaussian Elimination is not Optimal. In: Numerische Mathemetik, Bd. 13 (1969), S. 354–356, ISSN 00298-599X.
Ананий В. Левитин Глава 4. Метод декомпозиции: Умножение больших целых чисел и алгоритм умножения матриц Штрассена // Алгоритмы: введение в разработку и анализ = Introduction to The Design and Analysis of Aigorithms. — М.: «Вильямс», 2006. — С. 189-195. — ISBN 0-201-74395-7
Кормен, Томас Х., Лейзерсон, Чарльз И., Ривест, Рональд Л., Штайн, Клифорд Глава 28. Работа с матрицами // Алгоритмы: построение и анализ = Introduction to Algorithms. — 2-e издание. — М.: «Вильямс», 2005. — С. 833 - 839. — ISBN 5-8459-0857-4