1. 项目概述
这道东华OJ基础题70号矩阵问题，是C++编程学习中非常经典的二维数组操作练习题。题目要求我们编写程序处理一个N×N的矩阵，实现矩阵转置、对角线元素求和等基础操作。这类题目在各大高校的编程课程和在线判题系统中都很常见，是检验学生掌握数组和循环结构的重要标尺。
我在大二数据结构课上第一次接触这类题目时，花了整整一个下午才调试通过。现在回头看，其实只要掌握几个关键技巧，这类问题能在20分钟内解决。下面我就把多年积累的矩阵问题解决经验，特别是那些教科书上不会写的调试技巧，完整分享给大家。
2. 核心需求解析
2.1 题目具体要求
根据东华OJ系统的历史题目特征，70题矩阵问题通常包含以下核心操作要求：
- 输入一个N×N的整数矩阵
- 输出该矩阵的转置矩阵
- 计算并输出主对角线和副对角线元素之和
- 可能需要处理矩阵的对称性判断
实际编码时需要特别注意：
- 矩阵下标从0开始还是1开始
- 转置操作是否需要原地进行
- 对角线和的计算是否包含中心重复元素
2.2 输入输出规范
典型输入样例：
code复制3
1 2 3
4 5 6
7 8 9
对应输出应该包含：
- 转置矩阵：
code复制1 4 7
2 5 8
3 6 9
- 主对角线(1+5+9=15)和副对角线(3+5+7=15)的和
3. 解决方案设计
3.1 数据结构选择
对于N≤100的基础题目，最稳妥的方案是使用静态二维数组：
cpp复制const int MAXN = 105;
int matrix[MAXN][MAXN];
这种方式的优势：
- 内存连续，访问效率高
- 不需要动态内存管理
- 适合OJ系统的运行环境
注意：虽然vector更现代，但在简单题目中可能增加不必要的复杂度
3.2 核心算法实现
3.2.1 矩阵转置实现
基础转置算法（非原地）：
cpp复制for(int i=0; i<n; i++)
for(int j=0; j<n; j++)
transposed[j][i] = matrix[i][j];
原地转置优化版（节省空间）：
cpp复制for(int i=0; i<n; i++)
for(int j=i+1; j<n; j++)
swap(matrix[i][j], matrix[j][i]);
3.2.2 对角线求和
主对角线求和：
cpp复制int sum1 = 0;
for(int i=0; i<n; i++)
sum1 += matrix[i][i];
副对角线求和：
cpp复制int sum2 = 0;
for(int i=0; i<n; i++)
sum2 += matrix[i][n-1-i];
4. 完整代码实现
cpp复制#include <iostream>
using namespace std;
const int MAXN = 105;
int main() {
int n, matrix[MAXN][MAXN];
cin >> n;
// 输入矩阵
for(int i=0; i<n; i++)
for(int j=0; j<n; j++)
cin >> matrix[i][j];
// 转置矩阵
cout << "转置矩阵：" << endl;
for(int i=0; i<n; i++) {
for(int j=0; j<n; j++)
cout << matrix[j][i] << " ";
cout << endl;
}
// 对角线求和
int main_diag = 0, sub_diag = 0;
for(int i=0; i<n; i++) {
main_diag += matrix[i][i];
sub_diag += matrix[i][n-1-i];
}
cout << "主对角线和：" << main_diag << endl;
cout << "副对角线和：" << sub_diag << endl;
return 0;
}
5. 关键问题与调试技巧
5.1 边界条件处理
常见坑点：
- N=1时的特殊情况
- 矩阵元素为负数的情况
- 大N值下的性能问题（虽然基础题通常N≤100）
测试用例建议：
code复制输入1：
1
5
输出应包含：
5
5
5
输入2：
2
-1 2
3 -4
5.2 性能优化技巧
- 关闭同步流加速输入输出：
cpp复制ios::sync_with_stdio(false);
cin.tie(0);
-
对于大矩阵，考虑按行或按列的内存局部性优化
-
对角线求和时可合并循环：
cpp复制for(int i=0; i<n; i++) {
main_diag += matrix[i][i];
sub_diag += matrix[i][n-1-i];
}
6. 扩展思考
6.1 更高阶的矩阵操作
掌握基础操作后，可以尝试：
- 矩阵乘法
- 行列式计算
- 稀疏矩阵的压缩存储
6.2 实际应用场景
矩阵运算在以下领域有广泛应用：
- 图像处理（像素矩阵）
- 物理模拟（变换矩阵）
- 机器学习（权重矩阵）
我在图像处理项目中就经常需要优化矩阵转置操作，一个高效的转置实现有时能让程序性能提升30%以上。建议有余力的同学可以研究下SIMD指令集优化的矩阵运算。