｛2 1｝0 {1 2}｛1 2｝X={-1 4} 得：x={1 2}0｛2 1}^(-1)000000{-1 4}*｛1 2｝x={1 2}000000000{2，-1}00{-1 4}*（1/3）*{-1，2}x={0，1}00{-2，3} 那些0是保证上下的括号对齐。
可以利用初等变换法
将两个矩阵放在一起
前面一个矩阵变成单位矩阵
后面一个即为所求的矩阵X
过程如下图：
。
方法和过程如下：
这个概念经常在机器学习的文章中看到，但由于接触不久，所以一直都是一知半解，没有好好了解过。 首先从字面上理解，“协同”需要一个“集体“，“过滤”就应该是晒选的意思，那么协同过滤总的来说就是通过“集体”来“筛选”，以评分推荐系统为例子，这里的“协同”我个人理解就是集合”众多人的评价”，这里的“评价”，就是“对集体都接触过的事物进行打分”，这样大概就能通过一些共同的事物反应出用户不同的”价值观“，然后通过这样的价值观来”筛选“出价值观高度相似的人，再相互推荐共同都喜爱的东西。那么这样的推荐就很有可能是大家都需要的。 经过资料洗礼过后，得知cf现在的两大方向，一种是以记忆为基础（Memory-base）,另一种是基于模型（Model-based Collaborative Filtering）。 普及的比较多的前者，它基于关注的目标，又分为基于用户的协同过滤和基于项目的协同过滤，上面举的一个简单的评分推荐系统的例子就可以说是基于用户的协同过滤，它是通过用户对共同物品的“主观价值”来筛选相似用户，再互补评分高的商品，从而达到推荐商品的目的；那么基于项目的意思就是通过这个用户集体对商品集的评价，在物品的角度上去寻找相似度高的物品，达到推荐商品的效果。虽然针对的目标不通，但以我个人理解，大体上都是依赖这个用户集营造的“价值观”，只不过区别在于，基于用户的CF是“关心”各个用户的“主观价值”上的“区别”，而基于项目的CF则是要基于这整个用户集对项目集的“普世价值观”，来甄别出“物品”上的差异。不知道这么比喻恰不恰当哈，“普世”我这边理解就是“大多数”，是一种整体趋势的意思。价值观比较“抽象”的话，再直接点这里的“价值观”就相当于物理中的“参考系”。 但是以上两种方法在面对，不是每个用户对大多数商品都做出过评价（数据稀疏）时就无能为力，所以基于这个问题就引导出了基于模型（Model-based ）的CF，我在最近的论文中接触到的就是一个“矩阵分解”的协同过滤，它能够基于现有的数据得到一个模型，再用此模型进行推荐。那么是如何做到的呢？接下来看看矩阵分解。 假设我先在有一个关于用户对音乐评分的矩阵如下图： 只有上述的数据是很难使用户相互推荐音乐的，因为可以看出用户本身听过的歌就不够多，那么如何使数据更加“饱满”呢？这时正是需要矩阵分解的时候，矩阵分解算法的数学理论基础是矩阵的行列变换。行列变换中又有以下规则，我们知道矩阵A进行行变换相当于A左乘一个矩阵，矩阵A进行列变换等价于矩阵A右乘一个矩阵，因此矩阵A可以表示为A=PEQ=PQ（E是标准阵）。 形象的表示如下图： 矩阵分解的目的就是把一个稀疏的用户评分矩阵分解成用户因子矩阵和项目因子矩阵相乘的形式R=U(转置)*I，我们的目的就是最后再让两个因子矩阵反乘回去得到饱满的用户评分矩阵。那么这个用户,项目因子是个什么东西呢？我们接着上面的音乐评分的形式说，一首歌可能包含多种音乐风格，我们可以量化风格，体现各种风格在一首歌中的比重，那么这里的“潜在因子”我们就可以当作“音乐风格”，K个因子就可以看作K种风格。譬如下图： 可以说，这些因子就是我们的模型中的重要参数，个人理解分解出来的这两个因子矩阵就可以说是基于模型的CF中的，“模型”的了，其实我觉得可以类比线性模型中的参数，我们的回归模型最终重要的不就是公式中的各项参数吗，这两个因子矩阵其实就是我们这个模型中的重要参数，参数知道了模型也就求出来了。如果不了解线性模型可以参考吴恩达大大的机器学习课程，里面介绍的很详细，不像我这边一知半哈。 那么这些个值具体是怎么得出来的呢？过程和求线性回归也很像，接下来就是相关的简单推倒，首先，我们假设，真实的用户评分和我们预测评分的差遵循高斯分布 R用是评分矩阵 U是用户因子矩阵，V是项目因子矩阵 接下来就是极大似然估计，使，在现有数据下概率最大化 类比求线性模型，就能够了解思想很相似，所以应该同样是运用了似然估计的思想，要使值最大，式子两边同时取对数，可以看到，如果要使概率最大，那么公式的第一项就要最小，是不是想到了什么，没错接下来就可以看到最小二乘法的式子。 线性模型我们遇到这个情况一般怎么做，没错，就是梯度下降。首先求偏导数最后就是梯度下降的矩阵因子更新公式： 接下来迭代到自己设置的阈值收敛就能得到局部最优解了。 下面是我根据上述矩阵分解的思想随机的模拟实践，可以自行感受一下准度，可能写搓了点～ 注释：以上诸多图片材料来自网上多篇博客文章 还有方便实用sklearn的中文API文档
随机环境中经济增长模型研究广义生产函数假设下的经济增长模型分析考虑市场预期的供求关系模型基于Matlab的离散事件模拟用风险预算进行资产配置有向图上的PAR贯序模拟系统单圈图的一般Randic指标的极值问题模糊数学在公平评奖问题中的应用模糊矩阵在环境评估中的初步应用模糊评判在电脑中的初步应用数学家的数学思想Riemann积分定义的网收敛表述微积分思想在不等式证明中的应用用有限的尺度标量无限的过程-略论极限ε语言在微积分及现代数学中的位置及意义微积分思想在几何问题中的应用齐次平衡法求KdV-Burgers方程的Backlund变换Painleve分析法判定MKdV-Burgers方程的可积性直接法求KdV-Burgers方程的对称及精确解行波求解KdV-Burgers方程因子有向图的矩阵刻划简单图上的lit-only sigma-game半正则图及其线图的特征多项式与谱分数有向图的代数表示WWW网络的拓扑分析作者合作网络等的拓扑分析古诺模型价格歧视用数学软件做计算微分方程的计算器用数学软件做矩阵计算的计算器弹簧－质点系统的反问题用线性代数理论做隐含语义搜索对矩阵若当标准型理论中变换阵求法的探讨对矩阵分解理论的探讨对矩阵不等式理论的探讨(1)对矩阵不等式理论的探讨(2)函数连续性概念及其在现代数学理论中的延伸从有限维空间到无限维空间Banach空间中脉冲泛函微分方程解的存在性高阶脉冲微分方程的振动性具有积分边界条件的分数阶微分方程解的存在唯一性分数阶微分方程的正则摄动一个形态形成模型的摄动解一个免疫系统常微分方程模型的渐近解前列腺肿瘤连续性激素抑制治疗的数学模型前列腺肿瘤间歇性激素抑制治疗的数学模型病毒动力学数学模型肿瘤浸润数学模型耗散热方程初边值问题解的正则性耗散波方程初边值问题解的正则性耗散Schrodinger方程初边值问题解的正则性非线性发展方程解得稳定性消费需求的鲁棒调节生产函数的计量分析企业的成本形态分析的研究分数阶Logistic方程的数值计算分数阶捕食与被捕食模型的数值计算AIDS传播模型的全局性分析HIV感染模型的全局性分析风险度量方法的比较及其应用具有区间值损益的未定权益定价分析模糊规划及其在金融分析中的应用长依赖型金融市场股票价格与长相依性分数布朗运动下的外汇期权定价不确定性与资产定价加油站点的分布与出租车行业的关系
■ 雅可比正交相似变换，适用于实对称矩阵求特征值，且计算结果很准确；当用于非对称矩阵时收敛效果并不好。■ QR正交相似变换，一般认为对任意中小型矩阵都可求特征值，实际上最适合非对称矩阵，计算结果准确。对称矩阵用QR正交相似变换时，收敛效果反而不理想。
一般使用初等行变换或者伴随矩阵方法，来求逆矩阵。
矩阵是工程技术以及经济管理等领域的不可缺少的数学工具,凡是用到矩阵的地方,基本上都要涉及广义逆矩阵,尤其数值分析与数理统计有着重要作用.广义逆矩阵共15类,但最常用有5类,包括A{1},A{1,2},A{1,3},A{1,4},A{1,2,3,4}.主要讨论这5类广义逆矩阵的计算及其应用.作 者： 马秀珍 韩静华 MA Xiu-zhen HAN Jing-hua 作者单位： 沈阳航空工业学院理学系,辽宁,沈阳,110034 刊 名： 沈阳航空工业学院学报 英文刊名： JOURNAL OF SHENYANG INSTITUTE OF AERONAUTICAL ENGINEERING 年，卷(期)： 2005 22(2) 分类号： 关键词： 广义逆矩阵 矩阵方程 自反广义逆 最小范数广义逆 通解 机标分类号： 机标关键词： 广义逆矩阵应用数值分析数学工具数理统计经济管理工程技术计算 基金项目：
齐白石是画家，曾经干过木匠，华罗庚是数学家，曾经干过图书馆管理员
齐白石是画家，他画的虾很出名，是画国画的，华罗庚是数学家
奇异值分解定理：设A为m*n阶复矩阵，则存在m阶酉阵U和n阶酉阵V，使得：A = U*S*V’其中S=diag(σi,σ2,……,σr)，σi>0 (i=1,…,r)，r=rank(A)。推论：设A为m*n阶实矩阵，则存在m阶正交阵U和n阶正交阵V，使得A = U*S*V’其中S=diag(σi,σ2,……,σr)，σi>0 (i=1,…,r)，r=rank(A)。说明：1、 奇异值分解非常有用，对于矩阵A(m*n)，存在U(m*m)，V(n*n)，S(m*n)，满足A = U*S*V’。U和V中分别是A的奇异向量，而S是A的奇异值。AA'的正交单位特征向量组成U，特征值组成S'S，A'A的正交单位特征向量组成V，特征值（与AA'相同）组成SS'。因此，奇异值分解和特征值问题紧密联系。2、 奇异值分解提供了一些关于A的信息，例如非零奇异值的数目（S的阶数）和A的秩相同，一旦秩r确定，那么U的前r列构成了A的列向量空间的正交基。matlab奇异值分解函数 svd格式 s = svd (A) %返回矩阵A的奇异值向量[U,S,V] = svd(A) %返回一个与A同大小的对角矩阵S，两个酉矩阵U和V，且满足= U*S*V'。若A为m×n阵，则U为m×m阵，V为n×n阵。奇异值在S的对角线上，非负且按降序排列[U1,S1,V1]=svd(X,0) %产生A的“经济型”分解，只计算出矩阵U的前n列和n×n阶的S。说明：1.“经济型”分解节省存储空间。2. U*S*V'＝U1*S1*V1'。2 矩阵近似值奇异值分解在统计中的主要应用为主成分分析（PCA），它是一种数据分析方法，用来找出大量数据中所隐含的“模式”，它可以用在模式识别，数据压缩等方面。PCA算法的作用是把数据集映射到低维空间中去。数据集的特征值（在SVD中用奇异值表征）按照重要性排列，降维的过程就是舍弃不重要的特征向量的过程，而剩下的特征向量张成空间为降维后的空间。3 应用在很长时间内，奇异值分解都无法并行处理。（虽然 Google 早就有了MapReduce 等并行计算的工具，但是由于奇异值分解很难拆成不相关子运算，即使在 Google 内部以前也无法利用并行计算的优势来分解矩阵。）最近，Google 中国的张智威博士和几个中国的工程师及实习生已经实现了奇异值分解的并行算法，这是 Google中国对世界的一个贡献。
齐白石（1864－1957），湖南湘潭人，二十世纪中国画艺术大师，二十世纪十大书法家,画家之一，世界文化名人。画家生平 齐白石1864年元旦（清同治二年癸亥十一月二十二日）出生于湘潭县白石铺杏子坞，1957年9月16日（丁酉年八月二十三日）病逝于北京，终年九十四岁。宗族派名纯芝，小名阿芝，名璜，字渭清，号兰亭、濒生，别号白石山人，遂以齐白石名行世；并有齐大、木人、木居士、红豆生、星塘老屋后人、借山翁、借山吟馆主者、寄园、萍翁、寄萍堂主人、龙山社长、三百石印富翁、百树梨花主人等大量笔名与自号。 齐白石家道贫寒，少时读书一年，牧牛砍柴之余读书习画。1877年做木匠学徒，次年改学雕花木工，曾习摹《芥子园画传》并据以作雕花新样。1888年起始学画，曾任龙山诗社社长。1890年二十六岁时转从萧芗陔、文少可学画像，二十七岁始从胡沁园、陈少蕃习诗文书画。三十七岁拜硕儒王闿运为师，并先后与王仲言、黎松庵、杨度等结为师友。齐白石在家乡先后居出生地星斗塘、梅公祠借山吟馆、茹家冲寄萍堂。自四十岁起，离乡出游，五出五归，遍历陕、豫、京、冀、鄂、赣、沪、苏及两广等地，饱览名山大川，广结当世名人，樊樊山、夏午诒、郭葆荪等皆为挚友。画风由工转写，书法由何绍基体转学魏碑，篆刻由丁、黄一路改学赵之谦体。五十五岁避乱北上，两年后定居北京。时与陈师曾、徐悲鸿、罗瘿公、林风眠等相过从。 1926年，齐白石任国立北平艺术专科学校名誉教授、北平美术作家协会名誉会长、中央美术学院名誉教授、中央文史馆研究馆员、中国人民对外文化协会理事、中国画院名誉院长、北京中国画研究会主席、全国美术家协会主席；1949年7月、1953年9月两次出席中华全国文学艺术工作者代表大会，连续当选为全国文联委员；1954年8月当选第一届全国人民代表大会代表；与毛泽东主席交谊甚深并受到过接见；1953年1月文化部授予其荣誉奖状及“人民艺术家”称号；1955年12月德意志民主共和国艺术科学院授予其通讯院士荣誉状；1956年4月世界和平理事会授予其1955年度国际和平奖金，9月举行授奖仪式；1963年被世界和平理事会推举为世界文化名人。抗日战争期间，表示“画不卖与官家”。1946年重操卖画治印生涯，同年赴南京、上海举办个展，并任北平艺专名誉教授。著有《借山吟馆诗草》、《白石诗草》、《白石印草》、《白石老人自传》等。出版有《齐白石全集》等各种画集近百种。七十四岁游蜀，与黄宾虹、金松岑相见。艺术风格与主张 齐白石主张艺术“妙在似与不似之间”；衰年变法，绘画师法徐渭、朱耷、石涛、吴昌硕等，形成独特的大写意国画风格，开红花墨叶一派，尤以瓜果菜蔬花鸟虫鱼为工绝，兼及人物、山水，名重一时，与吴昌硕共享“南吴北齐”之誉；以其纯朴的民间艺术风格与传统的文人画风相融合，达到了中国现代花鸟画最高峰。篆刻初学丁敬、黄小松，后仿赵撝叔，并取法汉印；见《祀三公山碑》、《天发神谶碑》，篆法一变再变，印风雄奇恣肆，为近现代印风嬗变期代表人物。其书法广临碑帖，历宗何绍基、李北海、金冬心、郑板桥诸家，尤以篆、行书见长。诗不求工，无意唐宋，师法自然，书写性灵，别具一格。其画印书诗人称四绝。一生勤奋，砚耕不辍，自食其力，品行高洁，尤具民族气节。留下画作三万余幅、诗词三千余首、自述及其他文稿并手迹多卷。其作品以多种形式一再印制行世。齐白石作品的艺术特色 齐白石在绘画艺术上受陈师曾影响甚大，他同时吸取吴昌硕之长。他专长花鸟，笔酣墨饱，力健有锋。但画虫则一丝不苟，极为精细。他还推崇徐渭、朱耷、石涛、金农。尤工虾蟹、蝉、蝶、鱼、鸟、水墨淋漓，洋溢着自然界生气勃勃的气息。山水构图奇异不落旧蹊，极富创造精神，篆刻独出手眼，书法卓然不群，蔚为大家。齐白石的画，反对不切实际的空想，他经常注意花、鸟、虫、鱼的特点，揣摩它们的精神。他曾说：为万虫写照，为百鸟张神，要自己画出自己的面目。他的题句非常诙谐巧妙，他画的两只小鸡争夺一条小虫，题曰；“他日相呼”。一幅《棉花图》题曰：“花开天下暖，花落天下寒”。《不倒翁图》题“秋扇摇摇两面白，官袍楚楚通身黑。”齐白石作品的市场行情 齐白石一生创作勤奋，作画极多，一天不画画心慌，五天不刻印手痒，创作多得惊人，好得出奇，仅1953年一年，大小作品就有600多幅。1922年，陈师曾把齐白石的画介绍到东京，参加中日联合会绘画展览会，结果大受欢迎。全部以高价卖出，但当时在国内他的画作价却很低。20年代，齐白石得到徐悲鸿的提携，作品逐渐被收藏家所认识，价格稳步提高。现在，国内一级市场已难见到齐白石作品进行公开出售，书画商店见到他的真迹自会以高价收购，而标价出售则极少能见到。在香港和纽约市场，每年固定拍卖齐白石作品，他是作品被拍卖最多的现代画家。在香港市场，他的最新价格大约是30－100万港元，较高价格是1989年创造的，达120万港元。国内拍卖市场中，齐白石的价格最高，最高记录是嘉德拍卖公司拍卖的一件《山水》册页，为517万元。后来嘉德公司又搞了一次齐白石作品专场拍卖，效果虽然较好，但此后齐白石作品的价格一直处于较低状态。生活中的两三事 抗日战争时期，北平伪警司令、大特务头子宣铁吾过生日，硬邀请国画大师齐白石 (1863一1957年)赴宴作画。 齐白石来到宴会上， 环顾了一下满堂宾客，略为思索，铺纸挥洒。 转眼之间，一只水墨螃蟹跃然纸上。 众人赞不绝口，宣铁吾喜形于色。 不料，齐白石笔锋轻轻一挥，在画上题了一行字--“横行到几时”，后书“铁吾将军” ， 然后仰头拂袖而去。 一个汉奸求画，齐白石画了一个涂着白鼻子，头戴乌纱帽的不倒翁，还题了一首诗： 乌纱白扇俨然官， 不倒原来泥半团， 将妆忽然来打破， 浑身何处有心肝? 1937年，日本侵略军占领了北平。 齐白石为了不受敌人利用，坚持闭门不出，并在门口 贴出告示，上书：“中外官长要买白石之画者，用代表人可矣， 不必亲驾到门，从来官 不入民家，官入民家，主人不利，谨此告知，恕不接见。” 齐白石还嫌不够，又画了一幅画来表明自己的心迹。 画面很特殊，一般人画悲翠时，都让它站在石头或荷径上，窥伺着水面上的鱼儿；齐白 石却一反常态， 不去画水面上的鲟鱼，而画深水中的虾，并在画上题字：“从来画悲翠 者必画鱼，余独画虾，虾不浮，悲翠奈何? ”齐白石闭门谢客，自喻为虾，并把作官的 汉奸与日中人比作裴翠，意义深藏，发人深思。 齐白石70多岁的时候，对人说：我才知道，自己不会画画。人们齐声称赞老人的谦逊。老画家说，我真的不会画。人们越发称赞，当然没有人相信他.华罗庚于1910年生于江苏省金坛县一个小商人家庭。 1925年，初中毕业后就因家境贫困无法继续升学。1928年，18岁的华罗庚在他的数学老师王维克的推荐下，到金坛中学担任庶务员。然而不幸，他在这年患了伤寒症，卧床达五个月之久，从此左腿瘫痪。但他并不悲观、气馁，而是顽强地发奋自学。有一次，他发现苏家驹教授关于五次代数方程求解的一篇论文中有误：一个十二阶行列式的值算得不对，于是他把自己的计算结果和看法写成题为《苏家驹之代数的五次方程式解法不能成立的理由》的文章，投寄给上海《科学》杂志社。1930年，此文在《科学》杂志上发表，这时华罗庚年仅20岁。就是这篇论文，完全改变了华罗庚以后的生活道路。 当时正在清华大学担任数学系主任的熊庆来看到了这篇论文后，大为赞赏。到处打听华罗庚是哪个大学的教授，大家都说不知道。碰巧数学系有位教员名叫唐培经，知道华罗庚这个人。他告诉熊庆来，说华罗庚并不是什么大学教授，而只是一个自学青年。熊庆来爱才心切，并不在乎学历，当即托唐培经邀请华罗庚来清华大学工作。1931年，唐培经拿着华罗庚寄来的照片到北京前门火车站去接由金坛北上的华罗庚。华罗庚，这位未来的大数学家，当时就是这样拖着残腿、柱着拐仗走进了清华园。起初，他在数学系当助理员，经管收发信函兼打字，并保管图书资料。他一边工作，一边自学。熊庆来还让他经常跟学生一道去教室听课。勤奋好学的华罗庚只用了一年时间，就把大学数学系的全部课程学完了，学问大有长进。熊庆来对这位年轻人十分器重，有时碰到了复杂的计算也会大声喊道：“华罗庚，过来一下，帮我算算这道题！”两年后，华罗庚被破格提升为助教，继而升为讲师。后来，熊庆来又选送他去英国剑桥大学深造。1938年，华罗庚回国，任西南联大教授，年仅28岁。 华罗庚后来成为世界著名的数学家，在数论、矩阵几何学、典型群、自守函数论、多个复变数函数论、偏微分方程等很多领域都作出了卓越的贡献。他著有论文二百余篇、专著十本，成为美国科学院国外院士，法国南锡大学与香港中文大学荣誉博士。他的名字已进入美国华盛顿斯密司一宋尼博物馆，并被列为芝加哥科学技术博物馆中当今八十八个数学伟人之一。 1936年，经熊庆来教授推荐，华罗庚前往英国，留学剑桥。20世纪声名显赫的数学家哈代，早就听说华罗庚很有才气，他说：“你可以在两年之内获得博士学位。”可是华罗庚却说：“我不想获得博士学位，我只要求做一个访问者。”“我来剑桥是求学问的，不是为了学位。”两年中，他集中精力研究堆垒素数论，并就华林问题、他利问题、奇数哥德巴赫问题发表18篇论文，得出了著名的“华氏定理”，向全世界显示了中国数学家出众的智慧与能力。 1946年，华罗庚应邀去美国讲学，并被伊利诺大学高薪聘为终身教授，他的家属也随同到美国定居，有洋房和汽车，生活十分优裕。当时，不少人认为华罗庚是不会回来了。 新中国的诞生，牵动着热爱祖国的华罗庚的心。1950年，他毅然放弃在美国的优裕生活，回到了祖国，而且还给留美的中国学生写了一封公开信，动员大家回国参加社会主义建设。他在信中坦露出了一颗爱中华的赤子之心：“朋友们！梁园虽好，非久居之乡。归去来兮……为了国家民族，我们应当回去……”虽然数学没有国界，但数学家却有自己的祖国。 华罗庚从海外归来，受到党和人民的热烈欢迎，他回到清华园，被委任为数学系主任，不久又被任命为中国科学院数学研究所所长。从此，开始了他数学研究真正的黄金时期。他不但连续做出了令世界瞩目的突出成绩，同时满腔热情地关心、培养了一大批数学人才。为摘取数学王冠上的明珠，为应用数学研究、试验和推广，他倾注了大量心血。 据不完全统计，数十年间，华罗庚共发表了152篇重要的数学论文，出版了9部数学著作、11本数学科普著作。他还被选为科学院的国外院士和第三世界科学家的院士。 从初中毕业到人民数学家，华罗庚走过了一条曲折而辉煌的人生道路，为祖国争得了极大的荣誉。
据我所知，矩阵可以解高次方程，在线性代数中也有运用。
LZ是文科生吧
在数学中，矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合[1] ，最早来自于方程组的系数及常数所构成的方阵。这一概念由19世纪英国数学家凯利首先提出。矩阵是高等代数学中的常见工具，也常见于统计分析等应用数学学科中。在物理学中，矩阵于电路学、力学、光学和量子物理中都有应用；计算机科学中，三维动画制作也需要用到矩阵。 矩阵的运算是数值分析领域的重要问题。将矩阵分解为简单矩阵的组合可以在理论和实际应用上简化矩阵的运算。对一些应用广泛而形式特殊的矩阵，例如稀疏矩阵和准对角矩阵，有特定的快速运算算法。关于矩阵相关理论的发展和应用，请参考矩阵理论。在天体物理、量子力学等领域，也会出现无穷维的矩阵，是矩阵的一种推广。矩阵的研究历史悠久，拉丁方阵和幻方在史前年代已有人研究。作为解决线性方程的工具，矩阵也有不短的历史。成书最迟在东汉前期的《九章算术》中，用分离系数法表示线性方程组，得到了其增广矩阵。在消元过程中，使用的把某行乘以某一非零实数、从某行中减去另一行等运算技巧，相当于矩阵的初等变换。但那时并没有现今理解的矩阵概念，虽然它与现有的矩阵形式上相同，但在当时只是作为线性方程组的标准表示与处理方式。矩阵正式作为数学中的研究对象出现，则是在行列式的研究发展起来后。逻辑上，矩阵的概念先于行列式，但在实际的历史上则恰好相反。日本数学家关孝和（1683年）与微积分的发现者之一戈特弗里德·威廉·莱布尼茨（1693年）近乎同时地独立建立了行列式论。其后行列式作为解线性方程组的工具逐步发展。1750年，加布里尔·克拉默发现了克莱姆法则[2] 。矩阵的现代概念在19世纪逐渐形成。1800年代，高斯和威廉·若尔当建立了高斯—若尔当消去法。1844年，德国数学家费迪南·艾森斯坦（）讨论了“变换”（矩阵）及其乘积。1850年，英国数学家詹姆斯·约瑟夫·西尔维斯特（James Joseph Sylvester）首先使用矩阵一词[3] 。英国数学家凯利被公认为矩阵论的奠基人。他开始将矩阵作为独立的数学对象研究时，许多与矩阵有关的性质已经在行列式的研究中被发现了，这也使得凯利认为矩阵的引进是十分自然的。他说：“我决然不是通过四元数而获得矩阵概念的；它或是直接从行列式的概念而来，或是作为一个表达线性方程组的方便方法而来的。”他从1858年开始，发表了《矩阵论的研究报告》等一系列关于矩阵的专门论文，研究了矩阵的运算律、矩阵的逆以及转置和特征多项式方程。凯利还提出了凯莱-哈密尔顿定理，并验证了3×3矩阵的情况，又说进一步的证明是不必要的。哈密尔顿证明了4×4矩阵的情况，而一般情况下的证明是德国数学家弗罗贝尼乌斯（）于1898年给出的[2] 。1854年时法国数学家埃尔米特（）使用了“正交矩阵”这一术语，但他的正式定义直到1878年才由费罗贝尼乌斯发表。1879年，费罗贝尼乌斯引入矩阵秩的概念。至此，矩阵的体系基本上建立起来了。无限维矩阵的研究始于1884年。庞加莱在两篇不严谨地使用了无限维矩阵和行列式理论的文章后开始了对这一方面的专门研究。1906年，希尔伯特引入无限二次型（相当于无限维矩阵）对积分方程进行研究，极大地促进了无限维矩阵的研究。在此基础上，施密茨、赫林格和特普利茨发展出算子理论，而无限维矩阵成为了研究函数空间算子的有力工具[4] 。
什么叫作矩阵矩阵乘法是线性代数中最常见的运算之一，它在数值计算中有广泛的应用。若A和B是2个nn的矩阵，则它们的乘积C=AB同样是一个nn的矩阵。A和B的乘积矩阵C中的元素C[i,j]定义为:若依此定义来计算A和B的乘积矩阵C，则每计算C的一个元素C[i,j]，需要做n个乘法和n-1次加法。因此，求出矩阵C的n2个元素所需的计算时间为0(n3)。60年代末，Strassen采用了类似于在大整数乘法中用过的分治技术，将计算2个n阶矩阵乘积所需的计算时间改进到O(nlog7)=O()。首先，我们还是需要假设n是2的幂。将矩阵A，B和C中每一矩阵都分块成为4个大小相等的子矩阵，每个子矩阵都是n/2n/2的方阵。由此可将方程C=AB重写为:(1)由此可得:C11=A11B11 A12B21(2)C12=A11B12 A12B22(3)C21=A21B11 A22B21(4)C22=A21B12 A22B22(5)如果n=2，则2个2阶方阵的乘积可以直接用(2)-(3)式计算出来，共需8次乘法和4次加法。当子矩阵的阶大于2时，为求2个子矩阵的积，可以继续将子矩阵分块，直到子矩阵的阶降为2。这样，就产生了一个分治降阶的递归算法。依此算法，计算2个n阶方阵的乘积转化为计算8个n/2阶方阵的乘积和4个n/2阶方阵的加法。2个n/2n/2矩阵的加法显然可以在c*n2/4时间内完成，这里c是一个常数。因此，上述分治法的计算时间耗费T(n)应该满足：这个递归方程的解仍然是T(n)=O(n3)。因此，该方法并不比用原始定义直接计算更有效。究其原因，乃是由于式(2)-(5)并没有减少矩阵的乘法次数。而矩阵乘法耗费的时间要比矩阵加减法耗费的时间多得多。要想改进矩阵乘法的计算时间复杂性，必须减少子矩阵乘法运算的次数。按照上述分治法的思想可以看出，要想减少乘法运算次数，关键在于计算2个2阶方阵的乘积时，能否用少于8次的乘法运算。Strassen提出了一种新的算法来计算2个2阶方阵的乘积。他的算法只用了7次乘法运算，但增加了加、减法的运算次数。这7次乘法是:M1=A11(B12-B22)M2=(A11 A12)B22M3=(A21 A22)B11M4=A22(B21-B11)M5=(A11 A22)(B11 B22)M6=(A12-A22)(B21 B22)M7=(A11-A21)(B11 B12)做了这7次乘法后，再做若干次加、减法就可以得到:C11=M5 M4-M2 M6C12=M1 M2C21=M3 M4C22=M5 M1-M3-M7以上计算的正确性很容易验证。例如:C22=M5 M1-M3-M7=(A11 A22)(B11 B22) A11(B12-B22)-(A21 A22)B11-(A11-A21)(B11 B12)=A11B11 A11B22 A22B11 A22B22 A11B12-A11B22-A21B11-A22B11-A11B11-A11B12 A21B11 A21B12=A21B12 A22B22由(2)式便知其正确性。至此，我们可以得到完整的Strassen算法如下：procedureSTRASSEN(n,A,B,C);beginifn=2thenMATRIX-MULTIPLY(A，B，C)elsebegin将矩阵A和B依(1)式分块;STRASSEN(n/2,A11,B12-B22,M1);STRASSEN(n/2,A11 A12,B22,M2);STRASSEN(n/2,A21 A22,B11,M3);STRASSEN(n/2,A22,B21-B11,M4);STRASSEN(n/2,A11 A22,B11 B22,M5);STRASSEN(n/2,A12-A22,B21 B22,M6);STRASSEN(n/2,A11-A21,B11 B12,M7);;end;end;其中MATRIX-MULTIPLY(A，B，C)是按通常的矩阵乘法计算C=AB的子算法。Strassen矩阵乘积分治算法中，用了7次对于n/2阶矩阵乘积的递归调用和18次n/2阶矩阵的加减运算。由此可知，该算法的所需的计算时间T(n)满足如下的递归方程:按照解递归方程的套用公式法，其解为T(n)=O(nlog7)≈O()。由此可见，Strassen矩阵乘法的计算时间复杂性比普通矩阵乘法有阶的改进。有人曾列举了计算2个2阶矩阵乘法的36种不同方法。但所有的方法都要做7次乘法。除非能找到一种计算2阶方阵乘积的算法，使乘法的计算次数少于7次，按上述思路才有可能进一步改进矩阵乘积的计算时间的上界。但是Hopcroft和Kerr(197l)已经证明，计算2个22矩阵的乘积，7次乘法是必要的。因此，要想进一步改进矩阵乘法的时间复杂性，就不能再寄希望于计算22矩阵的乘法次数的减少。或许应当研究33或55矩阵的更好算法。在Strassen之后又有许多算法改进了矩阵乘法的计算时间复杂性。目前最好的计算时间上界是O()。而目前所知道的矩阵乘法的最好下界仍是它的平凡下界Ω(n2)。因此到目前为止还无法确切知道矩阵乘法的时间复杂性。关于这一研究课题还有许多工作可做。关于应用简单一点的表格，像考试分数求和复杂一点的魔方的解决方法，用矩阵代换方法