矩阵乘法需满足A的列数等于B的行数，结果为m×p矩阵，核心计算为Ci=Σ(Ai×Bk)；C++实现通过Matrix类封装二维vector，重载*运算符执行三重循环计算，并检查维度匹配；使用示例展示2×3与3×2矩阵相乘得2×2结果；可优化方向包括一维数组存储、模板化、运算符重载扩展及OpenMP/SIMD加速。
矩阵乘法是线性代数中的基本运算之一，在科学计算、图像处理和机器学习中广泛应用。C++ 提供了良好的性能支持，适合实现高效的矩阵运算。下面是一个简洁、清晰的 C++ 矩阵乘法实现，并附带基础矩阵类的设计思路。
1. 矩阵乘法的基本原理
两个矩阵 A 和 B 能相乘的前提是：A 的列数等于 B 的行数。若 A 是 m×n 矩阵，B 是 n×p 矩阵，则结果 C 是 m×p 矩阵，其中：
C[i][j] = Σ (A[i][k] × B[k][j])，k 从 0 到 n-1
2. 基础矩阵类设计
我们用一个简单的 Matrix 类封装二维数据，支持构造、乘法操作。
立即学习“C++免费学习笔记（深入）”；
#include <iostream>
#include <vector>
<p>class Matrix {
public:
int rows, cols;
std::vector<std::vector<double>> data;</p><pre class='brush:php;toolbar:false;'>// 构造函数
Matrix(int r, int c) : rows(r), cols(c), data(r, std::vector<double>(c, 0)) {}
// 矩阵乘法
Matrix operator*(const Matrix& other) const {
if (cols != other.rows) {
std::cerr << "矩阵维度不匹配：无法相乘！\n";
return Matrix(0, 0); // 返回空矩阵表示错误
}
Matrix result(rows, other.cols);
for (int i = 0; i < rows; ++i) {
for (int j = 0; j < other.cols; ++j) {
double sum = 0;
for (int k = 0; k < cols; ++k) {
sum += data[i][k] * other.data[k][j];
}
result.data[i][j] = sum;
}
}
return result;
}
// 打印矩阵
void print() const {
for (int i = 0; i < rows; ++i) {
for (int j = 0; j < cols; ++j) {
std::cout << data[i][j] << "\t";
}
std::cout << "\n";
}
}};
3. 使用示例
下面演示如何创建矩阵并执行乘法运算。
int main() {
Matrix A(2, 3);
A.data = {{1, 2, 3},
{4, 5, 6}};
<pre class='brush:php;toolbar:false;'>Matrix B(3, 2);
B.data = {{7, 8},
{9, 10},
{11, 12}};
Matrix C = A * B;
std::cout << "结果矩阵 C = A × B:\n";
C.print();
return 0;}
输出结果为：
46 52
139 154
4. 优化与扩展建议
上述实现适用于教学和小型计算。实际应用中可考虑以下改进：
- 使用一维数组存储数据（提升缓存效率）
- 重载更多运算符（+、-、=）
- 添加异常处理机制
- 支持模板类型（int、float、complex）
- 引入 OpenMP 或 SIMD 加速内层循环
基本上就这些。这个实现足够清晰，便于理解矩阵乘法的核心逻辑，也能作为更复杂矩阵库的基础。不复杂但容易忽略的是维度检查和内存布局优化。
