ginac/matrix.cpp

   1 /** @file matrix.cpp
   2  *
   3  *  Implementation of symbolic matrices */
   4
   5 /*
   6  *  GiNaC Copyright (C) 1999-2003 Johannes Gutenberg University Mainz, Germany
   7  *
   8  *  This program is free software; you can redistribute it and/or modify
   9  *  it under the terms of the GNU General Public License as published by
  10  *  the Free Software Foundation; either version 2 of the License, or
  11  *  (at your option) any later version.
  12  *
  13  *  This program is distributed in the hope that it will be useful,
  14  *  but WITHOUT ANY WARRANTY; without even the implied warranty of
  15  *  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  16  *  GNU General Public License for more details.
  17  *
  18  *  You should have received a copy of the GNU General Public License
  19  *  along with this program; if not, write to the Free Software
  20  *  Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307  USA
  21  */
  22
  23 #include <string>
  24 #include <iostream>
  25 #include <sstream>
  26 #include <algorithm>
  27 #include <map>
  28 #include <stdexcept>
  29
  30 #include "matrix.h"
  31 #include "numeric.h"
  32 #include "lst.h"
  33 #include "idx.h"
  34 #include "indexed.h"
  35 #include "add.h"
  36 #include "power.h"
  37 #include "symbol.h"
  38 #include "operators.h"
  39 #include "normal.h"
  40 #include "print.h"
  41 #include "archive.h"
  42 #include "utils.h"
  43
  44 namespace GiNaC {
  45
  46 GINAC_IMPLEMENT_REGISTERED_CLASS(matrix, basic)
  47
  48 //////////
  49 // default constructor
  50 //////////
  51
  52 /** Default ctor.  Initializes to 1 x 1-dimensional zero-matrix. */
  53 matrix::matrix() : inherited(TINFO_matrix), row(1), col(1)
  54 {
  55         m.push_back(_ex0);
  56 }
  57
  58 //////////
  59 // other constructors
  60 //////////
  61
  62 // public
  63
  64 /** Very common ctor.  Initializes to r x c-dimensional zero-matrix.
  65  *
  66  *  @param r number of rows
  67  *  @param c number of cols */
  68 matrix::matrix(unsigned r, unsigned c)
  69   : inherited(TINFO_matrix), row(r), col(c)
  70 {
  71         m.resize(r*c, _ex0);
  72 }
  73
  74 // protected
  75
  76 /** Ctor from representation, for internal use only. */
  77 matrix::matrix(unsigned r, unsigned c, const exvector & m2)
  78   : inherited(TINFO_matrix), row(r), col(c), m(m2) {}
  79
  80 /** Construct matrix from (flat) list of elements. If the list has fewer
  81  *  elements than the matrix, the remaining matrix elements are set to zero.
  82  *  If the list has more elements than the matrix, the excessive elements are
  83  *  thrown away. */
  84 matrix::matrix(unsigned r, unsigned c, const lst & l)
  85   : inherited(TINFO_matrix), row(r), col(c)
  86 {
  87         m.resize(r*c, _ex0);
  88
  89         size_t i = 0;
  90         for (lst::const_iterator it = l.begin(); it != l.end(); ++it, ++i) {
  91                 size_t x = i % c;
  92                 size_t y = i / c;
  93                 if (y >= r)
  94                         break; // matrix smaller than list: throw away excessive elements
  95                 m[y*c+x] = *it;
  96         }
  97 }
  98
  99 //////////
 100 // archiving
 101 //////////
 102
 103 matrix::matrix(const archive_node &n, lst &sym_lst) : inherited(n, sym_lst)
 104 {
 105         if (!(n.find_unsigned("row", row)) || !(n.find_unsigned("col", col)))
 106                 throw (std::runtime_error("unknown matrix dimensions in archive"));
 107         m.reserve(row * col);
 108         for (unsigned int i=0; true; i++) {
 109                 ex e;
 110                 if (n.find_ex("m", e, sym_lst, i))
 111                         m.push_back(e);
 112                 else
 113                         break;
 114         }
 115 }
 116
 117 void matrix::archive(archive_node &n) const
 118 {
 119         inherited::archive(n);
 120         n.add_unsigned("row", row);
 121         n.add_unsigned("col", col);
 122         exvector::const_iterator i = m.begin(), iend = m.end();
 123         while (i != iend) {
 124                 n.add_ex("m", *i);
 125                 ++i;
 126         }
 127 }
 128
 129 DEFAULT_UNARCHIVE(matrix)
 130
 131 //////////
 132 // functions overriding virtual functions from base classes
 133 //////////
 134
 135 // public
 136
 137 void matrix::print(const print_context & c, unsigned level) const
 138 {
 139         if (is_a<print_tree>(c)) {
 140
 141                 inherited::print(c, level);
 142
 143         } else {
 144
 145                 if (is_a<print_python_repr>(c))
 146                         c.s << class_name() << '(';
 147
 148                 if (is_a<print_latex>(c))
 149                         c.s << "\\left(\\begin{array}{" << std::string(col,'c') << "}";
 150                 else
 151                         c.s << "[";
 152
 153                 for (unsigned ro=0; ro<row; ++ro) {
 154                         if (!is_a<print_latex>(c))
 155                                 c.s << "[";
 156                         for (unsigned co=0; co<col; ++co) {
 157                                 m[ro*col+co].print(c);
 158                                 if (co<col-1) {
 159                                         if (is_a<print_latex>(c))
 160                                                 c.s << "&";
 161                                         else
 162                                                 c.s << ",";
 163                                 } else {
 164                                         if (!is_a<print_latex>(c))
 165                                                 c.s << "]";
 166                                 }
 167                         }
 168                         if (ro<row-1) {
 169                                 if (is_a<print_latex>(c))
 170                                         c.s << "\\\\";
 171                                 else
 172                                         c.s << ",";
 173                         }
 174                 }
 175
 176                 if (is_a<print_latex>(c))
 177                         c.s << "\\end{array}\\right)";
 178                 else
 179                         c.s << "]";
 180
 181                 if (is_a<print_python_repr>(c))
 182                         c.s << ')';
 183
 184         }
 185 }
 186
 187 /** nops is defined to be rows x columns. */
 188 size_t matrix::nops() const
 189 {
 190         return static_cast<size_t>(row) * static_cast<size_t>(col);
 191 }
 192
 193 /** returns matrix entry at position (i/col, i%col). */
 194 ex matrix::op(size_t i) const
 195 {
 196         GINAC_ASSERT(i<nops());
 197
 198         return m[i];
 199 }
 200
 201 /** returns writable matrix entry at position (i/col, i%col). */
 202 ex & matrix::let_op(size_t i)
 203 {
 204         GINAC_ASSERT(i<nops());
 205
 206         ensure_if_modifiable();
 207         return m[i];
 208 }
 209
 210 /** Evaluate matrix entry by entry. */
 211 ex matrix::eval(int level) const
 212 {
 213         // check if we have to do anything at all
 214         if ((level==1)&&(flags & status_flags::evaluated))
 215                 return *this;
 216
 217         // emergency break
 218         if (level == -max_recursion_level)
 219                 throw (std::runtime_error("matrix::eval(): recursion limit exceeded"));
 220
 221         // eval() entry by entry
 222         exvector m2(row*col);
 223         --level;
 224         for (unsigned r=0; r<row; ++r)
 225                 for (unsigned c=0; c<col; ++c)
 226                         m2[r*col+c] = m[r*col+c].eval(level);
 227
 228         return (new matrix(row, col, m2))->setflag(status_flags::dynallocated |
 229                                                                                            status_flags::evaluated);
 230 }
 231
 232 ex matrix::subs(const exmap & mp, unsigned options) const
 233 {
 234         exvector m2(row * col);
 235         for (unsigned r=0; r<row; ++r)
 236                 for (unsigned c=0; c<col; ++c)
 237                         m2[r*col+c] = m[r*col+c].subs(mp, options);
 238
 239         return matrix(row, col, m2).subs_one_level(mp, options);
 240 }
 241
 242 // protected
 243
 244 int matrix::compare_same_type(const basic & other) const
 245 {
 246         GINAC_ASSERT(is_exactly_a<matrix>(other));
 247         const matrix &o = static_cast<const matrix &>(other);
 248
 249         // compare number of rows
 250         if (row != o.rows())
 251                 return row < o.rows() ? -1 : 1;
 252
 253         // compare number of columns
 254         if (col != o.cols())
 255                 return col < o.cols() ? -1 : 1;
 256
 257         // equal number of rows and columns, compare individual elements
 258         int cmpval;
 259         for (unsigned r=0; r<row; ++r) {
 260                 for (unsigned c=0; c<col; ++c) {
 261                         cmpval = ((*this)(r,c)).compare(o(r,c));
 262                         if (cmpval!=0) return cmpval;
 263                 }
 264         }
 265         // all elements are equal => matrices are equal;
 266         return 0;
 267 }
 268
 269 bool matrix::match_same_type(const basic & other) const
 270 {
 271         GINAC_ASSERT(is_exactly_a<matrix>(other));
 272         const matrix & o = static_cast<const matrix &>(other);
 273
 274         // The number of rows and columns must be the same. This is necessary to
 275         // prevent a 2x3 matrix from matching a 3x2 one.
 276         return row == o.rows() && col == o.cols();
 277 }
 278
 279 /** Automatic symbolic evaluation of an indexed matrix. */
 280 ex matrix::eval_indexed(const basic & i) const
 281 {
 282         GINAC_ASSERT(is_a<indexed>(i));
 283         GINAC_ASSERT(is_a<matrix>(i.op(0)));
 284
 285         bool all_indices_unsigned = static_cast<const indexed &>(i).all_index_values_are(info_flags::nonnegint);
 286
 287         // Check indices
 288         if (i.nops() == 2) {
 289
 290                 // One index, must be one-dimensional vector
 291                 if (row != 1 && col != 1)
 292                         throw (std::runtime_error("matrix::eval_indexed(): vector must have exactly 1 index"));
 293
 294                 const idx & i1 = ex_to<idx>(i.op(1));
 295
 296                 if (col == 1) {
 297
 298                         // Column vector
 299                         if (!i1.get_dim().is_equal(row))
 300                                 throw (std::runtime_error("matrix::eval_indexed(): dimension of index must match number of vector elements"));
 301
 302                         // Index numeric -> return vector element
 303                         if (all_indices_unsigned) {
 304                                 unsigned n1 = ex_to<numeric>(i1.get_value()).to_int();
 305                                 if (n1 >= row)
 306                                         throw (std::runtime_error("matrix::eval_indexed(): value of index exceeds number of vector elements"));
 307                                 return (*this)(n1, 0);
 308                         }
 309
 310                 } else {
 311
 312                         // Row vector
 313                         if (!i1.get_dim().is_equal(col))
 314                                 throw (std::runtime_error("matrix::eval_indexed(): dimension of index must match number of vector elements"));
 315
 316                         // Index numeric -> return vector element
 317                         if (all_indices_unsigned) {
 318                                 unsigned n1 = ex_to<numeric>(i1.get_value()).to_int();
 319                                 if (n1 >= col)
 320                                         throw (std::runtime_error("matrix::eval_indexed(): value of index exceeds number of vector elements"));
 321                                 return (*this)(0, n1);
 322                         }
 323                 }
 324
 325         } else if (i.nops() == 3) {
 326
 327                 // Two indices
 328                 const idx & i1 = ex_to<idx>(i.op(1));
 329                 const idx & i2 = ex_to<idx>(i.op(2));
 330
 331                 if (!i1.get_dim().is_equal(row))
 332                         throw (std::runtime_error("matrix::eval_indexed(): dimension of first index must match number of rows"));
 333                 if (!i2.get_dim().is_equal(col))
 334                         throw (std::runtime_error("matrix::eval_indexed(): dimension of second index must match number of columns"));
 335
 336                 // Pair of dummy indices -> compute trace
 337                 if (is_dummy_pair(i1, i2))
 338                         return trace();
 339
 340                 // Both indices numeric -> return matrix element
 341                 if (all_indices_unsigned) {
 342                         unsigned n1 = ex_to<numeric>(i1.get_value()).to_int(), n2 = ex_to<numeric>(i2.get_value()).to_int();
 343                         if (n1 >= row)
 344                                 throw (std::runtime_error("matrix::eval_indexed(): value of first index exceeds number of rows"));
 345                         if (n2 >= col)
 346                                 throw (std::runtime_error("matrix::eval_indexed(): value of second index exceeds number of columns"));
 347                         return (*this)(n1, n2);
 348                 }
 349
 350         } else
 351                 throw (std::runtime_error("matrix::eval_indexed(): matrix must have exactly 2 indices"));
 352
 353         return i.hold();
 354 }
 355
 356 /** Sum of two indexed matrices. */
 357 ex matrix::add_indexed(const ex & self, const ex & other) const
 358 {
 359         GINAC_ASSERT(is_a<indexed>(self));
 360         GINAC_ASSERT(is_a<matrix>(self.op(0)));
 361         GINAC_ASSERT(is_a<indexed>(other));
 362         GINAC_ASSERT(self.nops() == 2 || self.nops() == 3);
 363
 364         // Only add two matrices
 365         if (is_a<matrix>(other.op(0))) {
 366                 GINAC_ASSERT(other.nops() == 2 || other.nops() == 3);
 367
 368                 const matrix &self_matrix = ex_to<matrix>(self.op(0));
 369                 const matrix &other_matrix = ex_to<matrix>(other.op(0));
 370
 371                 if (self.nops() == 2 && other.nops() == 2) { // vector + vector
 372
 373                         if (self_matrix.row == other_matrix.row)
 374                                 return indexed(self_matrix.add(other_matrix), self.op(1));
 375                         else if (self_matrix.row == other_matrix.col)
 376                                 return indexed(self_matrix.add(other_matrix.transpose()), self.op(1));
 377
 378                 } else if (self.nops() == 3 && other.nops() == 3) { // matrix + matrix
 379
 380                         if (self.op(1).is_equal(other.op(1)) && self.op(2).is_equal(other.op(2)))
 381                                 return indexed(self_matrix.add(other_matrix), self.op(1), self.op(2));
 382                         else if (self.op(1).is_equal(other.op(2)) && self.op(2).is_equal(other.op(1)))
 383                                 return indexed(self_matrix.add(other_matrix.transpose()), self.op(1), self.op(2));
 384
 385                 }
 386         }
 387
 388         // Don't know what to do, return unevaluated sum
 389         return self + other;
 390 }
 391
 392 /** Product of an indexed matrix with a number. */
 393 ex matrix::scalar_mul_indexed(const ex & self, const numeric & other) const
 394 {
 395         GINAC_ASSERT(is_a<indexed>(self));
 396         GINAC_ASSERT(is_a<matrix>(self.op(0)));
 397         GINAC_ASSERT(self.nops() == 2 || self.nops() == 3);
 398
 399         const matrix &self_matrix = ex_to<matrix>(self.op(0));
 400
 401         if (self.nops() == 2)
 402                 return indexed(self_matrix.mul(other), self.op(1));
 403         else // self.nops() == 3
 404                 return indexed(self_matrix.mul(other), self.op(1), self.op(2));
 405 }
 406
 407 /** Contraction of an indexed matrix with something else. */
 408 bool matrix::contract_with(exvector::iterator self, exvector::iterator other, exvector & v) const
 409 {
 410         GINAC_ASSERT(is_a<indexed>(*self));
 411         GINAC_ASSERT(is_a<indexed>(*other));
 412         GINAC_ASSERT(self->nops() == 2 || self->nops() == 3);
 413         GINAC_ASSERT(is_a<matrix>(self->op(0)));
 414
 415         // Only contract with other matrices
 416         if (!is_a<matrix>(other->op(0)))
 417                 return false;
 418
 419         GINAC_ASSERT(other->nops() == 2 || other->nops() == 3);
 420
 421         const matrix &self_matrix = ex_to<matrix>(self->op(0));
 422         const matrix &other_matrix = ex_to<matrix>(other->op(0));
 423
 424         if (self->nops() == 2) {
 425
 426                 if (other->nops() == 2) { // vector * vector (scalar product)
 427
 428                         if (self_matrix.col == 1) {
 429                                 if (other_matrix.col == 1) {
 430                                         // Column vector * column vector, transpose first vector
 431                                         *self = self_matrix.transpose().mul(other_matrix)(0, 0);
 432                                 } else {
 433                                         // Column vector * row vector, swap factors
 434                                         *self = other_matrix.mul(self_matrix)(0, 0);
 435                                 }
 436                         } else {
 437                                 if (other_matrix.col == 1) {
 438                                         // Row vector * column vector, perfect
 439                                         *self = self_matrix.mul(other_matrix)(0, 0);
 440                                 } else {
 441                                         // Row vector * row vector, transpose second vector
 442                                         *self = self_matrix.mul(other_matrix.transpose())(0, 0);
 443                                 }
 444                         }
 445                         *other = _ex1;
 446                         return true;
 447
 448                 } else { // vector * matrix
 449
 450                         // B_i * A_ij = (B*A)_j (B is row vector)
 451                         if (is_dummy_pair(self->op(1), other->op(1))) {
 452                                 if (self_matrix.row == 1)
 453                                         *self = indexed(self_matrix.mul(other_matrix), other->op(2));
 454                                 else
 455                                         *self = indexed(self_matrix.transpose().mul(other_matrix), other->op(2));
 456                                 *other = _ex1;
 457                                 return true;
 458                         }
 459
 460                         // B_j * A_ij = (A*B)_i (B is column vector)
 461                         if (is_dummy_pair(self->op(1), other->op(2))) {
 462                                 if (self_matrix.col == 1)
 463                                         *self = indexed(other_matrix.mul(self_matrix), other->op(1));
 464                                 else
 465                                         *self = indexed(other_matrix.mul(self_matrix.transpose()), other->op(1));
 466                                 *other = _ex1;
 467                                 return true;
 468                         }
 469                 }
 470
 471         } else if (other->nops() == 3) { // matrix * matrix
 472
 473                 // A_ij * B_jk = (A*B)_ik
 474                 if (is_dummy_pair(self->op(2), other->op(1))) {
 475                         *self = indexed(self_matrix.mul(other_matrix), self->op(1), other->op(2));
 476                         *other = _ex1;
 477                         return true;
 478                 }
 479
 480                 // A_ij * B_kj = (A*Btrans)_ik
 481                 if (is_dummy_pair(self->op(2), other->op(2))) {
 482                         *self = indexed(self_matrix.mul(other_matrix.transpose()), self->op(1), other->op(1));
 483                         *other = _ex1;
 484                         return true;
 485                 }
 486
 487                 // A_ji * B_jk = (Atrans*B)_ik
 488                 if (is_dummy_pair(self->op(1), other->op(1))) {
 489                         *self = indexed(self_matrix.transpose().mul(other_matrix), self->op(2), other->op(2));
 490                         *other = _ex1;
 491                         return true;
 492                 }
 493
 494                 // A_ji * B_kj = (B*A)_ki
 495                 if (is_dummy_pair(self->op(1), other->op(2))) {
 496                         *self = indexed(other_matrix.mul(self_matrix), other->op(1), self->op(2));
 497                         *other = _ex1;
 498                         return true;
 499                 }
 500         }
 501
 502         return false;
 503 }
 504
 505
 506 //////////
 507 // non-virtual functions in this class
 508 //////////
 509
 510 // public
 511
 512 /** Sum of matrices.
 513  *
 514  *  @exception logic_error (incompatible matrices) */
 515 matrix matrix::add(const matrix & other) const
 516 {
 517         if (col != other.col || row != other.row)
 518                 throw std::logic_error("matrix::add(): incompatible matrices");
 519
 520         exvector sum(this->m);
 521         exvector::iterator i = sum.begin(), end = sum.end();
 522         exvector::const_iterator ci = other.m.begin();
 523         while (i != end)
 524                 *i++ += *ci++;
 525
 526         return matrix(row,col,sum);
 527 }
 528
 529
 530 /** Difference of matrices.
 531  *
 532  *  @exception logic_error (incompatible matrices) */
 533 matrix matrix::sub(const matrix & other) const
 534 {
 535         if (col != other.col || row != other.row)
 536                 throw std::logic_error("matrix::sub(): incompatible matrices");
 537
 538         exvector dif(this->m);
 539         exvector::iterator i = dif.begin(), end = dif.end();
 540         exvector::const_iterator ci = other.m.begin();
 541         while (i != end)
 542                 *i++ -= *ci++;
 543
 544         return matrix(row,col,dif);
 545 }
 546
 547
 548 /** Product of matrices.
 549  *
 550  *  @exception logic_error (incompatible matrices) */
 551 matrix matrix::mul(const matrix & other) const
 552 {
 553         if (this->cols() != other.rows())
 554                 throw std::logic_error("matrix::mul(): incompatible matrices");
 555
 556         exvector prod(this->rows()*other.cols());
 557
 558         for (unsigned r1=0; r1<this->rows(); ++r1) {
 559                 for (unsigned c=0; c<this->cols(); ++c) {
 560                         if (m[r1*col+c].is_zero())
 561                                 continue;
 562                         for (unsigned r2=0; r2<other.cols(); ++r2)
 563                                 prod[r1*other.col+r2] += (m[r1*col+c] * other.m[c*other.col+r2]).expand();
 564                 }
 565         }
 566         return matrix(row, other.col, prod);
 567 }
 568
 569
 570 /** Product of matrix and scalar. */
 571 matrix matrix::mul(const numeric & other) const
 572 {
 573         exvector prod(row * col);
 574
 575         for (unsigned r=0; r<row; ++r)
 576                 for (unsigned c=0; c<col; ++c)
 577                         prod[r*col+c] = m[r*col+c] * other;
 578
 579         return matrix(row, col, prod);
 580 }
 581
 582
 583 /** Product of matrix and scalar expression. */
 584 matrix matrix::mul_scalar(const ex & other) const
 585 {
 586         if (other.return_type() != return_types::commutative)
 587                 throw std::runtime_error("matrix::mul_scalar(): non-commutative scalar");
 588
 589         exvector prod(row * col);
 590
 591         for (unsigned r=0; r<row; ++r)
 592                 for (unsigned c=0; c<col; ++c)
 593                         prod[r*col+c] = m[r*col+c] * other;
 594
 595         return matrix(row, col, prod);
 596 }
 597
 598
 599 /** Power of a matrix.  Currently handles integer exponents only. */
 600 matrix matrix::pow(const ex & expn) const
 601 {
 602         if (col!=row)
 603                 throw (std::logic_error("matrix::pow(): matrix not square"));
 604
 605         if (is_exactly_a<numeric>(expn)) {
 606                 // Integer cases are computed by successive multiplication, using the
 607                 // obvious shortcut of storing temporaries, like A^4 == (A*A)*(A*A).
 608                 if (expn.info(info_flags::integer)) {
 609                         numeric b = ex_to<numeric>(expn);
 610                         matrix A(row,col);
 611                         if (expn.info(info_flags::negative)) {
 612                                 b *= -1;
 613                                 A = this->inverse();
 614                         } else {
 615                                 A = *this;
 616                         }
 617                         matrix C(row,col);
 618                         for (unsigned r=0; r<row; ++r)
 619                                 C(r,r) = _ex1;
 620                         if (b.is_zero())
 621                                 return C;
 622                         // This loop computes the representation of b in base 2 from right
 623                         // to left and multiplies the factors whenever needed.  Note
 624                         // that this is not entirely optimal but close to optimal and
 625                         // "better" algorithms are much harder to implement.  (See Knuth,
 626                         // TAoCP2, section "Evaluation of Powers" for a good discussion.)
 627                         while (b!=_num1) {
 628                                 if (b.is_odd()) {
 629                                         C = C.mul(A);
 630                                         --b;
 631                                 }
 632                                 b /= _num2;  // still integer.
 633                                 A = A.mul(A);
 634                         }
 635                         return A.mul(C);
 636                 }
 637         }
 638         throw (std::runtime_error("matrix::pow(): don't know how to handle exponent"));
 639 }
 640
 641
 642 /** operator() to access elements for reading.
 643  *
 644  *  @param ro row of element
 645  *  @param co column of element
 646  *  @exception range_error (index out of range) */
 647 const ex & matrix::operator() (unsigned ro, unsigned co) const
 648 {
 649         if (ro>=row || co>=col)
 650                 throw (std::range_error("matrix::operator(): index out of range"));
 651
 652         return m[ro*col+co];
 653 }
 654
 655
 656 /** operator() to access elements for writing.
 657  *
 658  *  @param ro row of element
 659  *  @param co column of element
 660  *  @exception range_error (index out of range) */
 661 ex & matrix::operator() (unsigned ro, unsigned co)
 662 {
 663         if (ro>=row || co>=col)
 664                 throw (std::range_error("matrix::operator(): index out of range"));
 665
 666         ensure_if_modifiable();
 667         return m[ro*col+co];
 668 }
 669
 670
 671 /** Transposed of an m x n matrix, producing a new n x m matrix object that
 672  *  represents the transposed. */
 673 matrix matrix::transpose() const
 674 {
 675         exvector trans(this->cols()*this->rows());
 676
 677         for (unsigned r=0; r<this->cols(); ++r)
 678                 for (unsigned c=0; c<this->rows(); ++c)
 679                         trans[r*this->rows()+c] = m[c*this->cols()+r];
 680
 681         return matrix(this->cols(),this->rows(),trans);
 682 }
 683
 684 /** Determinant of square matrix.  This routine doesn't actually calculate the
 685  *  determinant, it only implements some heuristics about which algorithm to
 686  *  run.  If all the elements of the matrix are elements of an integral domain
 687  *  the determinant is also in that integral domain and the result is expanded
 688  *  only.  If one or more elements are from a quotient field the determinant is
 689  *  usually also in that quotient field and the result is normalized before it
 690  *  is returned.  This implies that the determinant of the symbolic 2x2 matrix
 691  *  [[a/(a-b),1],[b/(a-b),1]] is returned as unity.  (In this respect, it
 692  *  behaves like MapleV and unlike Mathematica.)
 693  *
 694  *  @param     algo allows to chose an algorithm
 695  *  @return    the determinant as a new expression
 696  *  @exception logic_error (matrix not square)
 697  *  @see       determinant_algo */
 698 ex matrix::determinant(unsigned algo) const
 699 {
 700         if (row!=col)
 701                 throw (std::logic_error("matrix::determinant(): matrix not square"));
 702         GINAC_ASSERT(row*col==m.capacity());
 703
 704         // Gather some statistical information about this matrix:
 705         bool numeric_flag = true;
 706         bool normal_flag = false;
 707         unsigned sparse_count = 0;  // counts non-zero elements
 708         exvector::const_iterator r = m.begin(), rend = m.end();
 709         while (r != rend) {
 710                 lst srl;  // symbol replacement list
 711                 ex rtest = r->to_rational(srl);
 712                 if (!rtest.is_zero())
 713                         ++sparse_count;
 714                 if (!rtest.info(info_flags::numeric))
 715                         numeric_flag = false;
 716                 if (!rtest.info(info_flags::crational_polynomial) &&
 717                          rtest.info(info_flags::rational_function))
 718                         normal_flag = true;
 719                 ++r;
 720         }
 721
 722         // Here is the heuristics in case this routine has to decide:
 723         if (algo == determinant_algo::automatic) {
 724                 // Minor expansion is generally a good guess:
 725                 algo = determinant_algo::laplace;
 726                 // Does anybody know when a matrix is really sparse?
 727                 // Maybe <~row/2.236 nonzero elements average in a row?
 728                 if (row>3 && 5*sparse_count<=row*col)
 729                         algo = determinant_algo::bareiss;
 730                 // Purely numeric matrix can be handled by Gauss elimination.
 731                 // This overrides any prior decisions.
 732                 if (numeric_flag)
 733                         algo = determinant_algo::gauss;
 734         }
 735
 736         // Trap the trivial case here, since some algorithms don't like it
 737         if (this->row==1) {
 738                 // for consistency with non-trivial determinants...
 739                 if (normal_flag)
 740                         return m[0].normal();
 741                 else
 742                         return m[0].expand();
 743         }
 744
 745         // Compute the determinant
 746         switch(algo) {
 747                 case determinant_algo::gauss: {
 748                         ex det = 1;
 749                         matrix tmp(*this);
 750                         int sign = tmp.gauss_elimination(true);
 751                         for (unsigned d=0; d<row; ++d)
 752                                 det *= tmp.m[d*col+d];
 753                         if (normal_flag)
 754                                 return (sign*det).normal();
 755                         else
 756                                 return (sign*det).normal().expand();
 757                 }
 758                 case determinant_algo::bareiss: {
 759                         matrix tmp(*this);
 760                         int sign;
 761                         sign = tmp.fraction_free_elimination(true);
 762                         if (normal_flag)
 763                                 return (sign*tmp.m[row*col-1]).normal();
 764                         else
 765                                 return (sign*tmp.m[row*col-1]).expand();
 766                 }
 767                 case determinant_algo::divfree: {
 768                         matrix tmp(*this);
 769                         int sign;
 770                         sign = tmp.division_free_elimination(true);
 771                         if (sign==0)
 772                                 return _ex0;
 773                         ex det = tmp.m[row*col-1];
 774                         // factor out accumulated bogus slag
 775                         for (unsigned d=0; d<row-2; ++d)
 776                                 for (unsigned j=0; j<row-d-2; ++j)
 777                                         det = (det/tmp.m[d*col+d]).normal();
 778                         return (sign*det);
 779                 }
 780                 case determinant_algo::laplace:
 781                 default: {
 782                         // This is the minor expansion scheme.  We always develop such
 783                         // that the smallest minors (i.e, the trivial 1x1 ones) are on the
 784                         // rightmost column.  For this to be efficient, empirical tests
 785                         // have shown that the emptiest columns (i.e. the ones with most
 786                         // zeros) should be the ones on the right hand side -- although
 787                         // this might seem counter-intuitive (and in contradiction to some
 788                         // literature like the FORM manual).  Please go ahead and test it
 789                         // if you don't believe me!  Therefore we presort the columns of
 790                         // the matrix:
 791                         typedef std::pair<unsigned,unsigned> uintpair;
 792                         std::vector<uintpair> c_zeros;  // number of zeros in column
 793                         for (unsigned c=0; c<col; ++c) {
 794                                 unsigned acc = 0;
 795                                 for (unsigned r=0; r<row; ++r)
 796                                         if (m[r*col+c].is_zero())
 797                                                 ++acc;
 798                                 c_zeros.push_back(uintpair(acc,c));
 799                         }
 800                         std::sort(c_zeros.begin(),c_zeros.end());
 801                         std::vector<unsigned> pre_sort;
 802                         for (std::vector<uintpair>::const_iterator i=c_zeros.begin(); i!=c_zeros.end(); ++i)
 803                                 pre_sort.push_back(i->second);
 804                         std::vector<unsigned> pre_sort_test(pre_sort); // permutation_sign() modifies the vector so we make a copy here
 805                         int sign = permutation_sign(pre_sort_test.begin(), pre_sort_test.end());
 806                         exvector result(row*col);  // represents sorted matrix
 807                         unsigned c = 0;
 808                         for (std::vector<unsigned>::const_iterator i=pre_sort.begin();
 809                                  i!=pre_sort.end();
 810                                  ++i,++c) {
 811                                 for (unsigned r=0; r<row; ++r)
 812                                         result[r*col+c] = m[r*col+(*i)];
 813                         }
 814
 815                         if (normal_flag)
 816                                 return (sign*matrix(row,col,result).determinant_minor()).normal();
 817                         else
 818                                 return sign*matrix(row,col,result).determinant_minor();
 819                 }
 820         }
 821 }
 822
 823
 824 /** Trace of a matrix.  The result is normalized if it is in some quotient
 825  *  field and expanded only otherwise.  This implies that the trace of the
 826  *  symbolic 2x2 matrix [[a/(a-b),x],[y,b/(b-a)]] is recognized to be unity.
 827  *
 828  *  @return    the sum of diagonal elements
 829  *  @exception logic_error (matrix not square) */
 830 ex matrix::trace() const
 831 {
 832         if (row != col)
 833                 throw (std::logic_error("matrix::trace(): matrix not square"));
 834
 835         ex tr;
 836         for (unsigned r=0; r<col; ++r)
 837                 tr += m[r*col+r];
 838
 839         if (tr.info(info_flags::rational_function) &&
 840                 !tr.info(info_flags::crational_polynomial))
 841                 return tr.normal();
 842         else
 843                 return tr.expand();
 844 }
 845
 846
 847 /** Characteristic Polynomial.  Following mathematica notation the
 848  *  characteristic polynomial of a matrix M is defined as the determiant of
 849  *  (M - lambda * 1) where 1 stands for the unit matrix of the same dimension
 850  *  as M.  Note that some CASs define it with a sign inside the determinant
 851  *  which gives rise to an overall sign if the dimension is odd.  This method
 852  *  returns the characteristic polynomial collected in powers of lambda as a
 853  *  new expression.
 854  *
 855  *  @return    characteristic polynomial as new expression
 856  *  @exception logic_error (matrix not square)
 857  *  @see       matrix::determinant() */
 858 ex matrix::charpoly(const symbol & lambda) const
 859 {
 860         if (row != col)
 861                 throw (std::logic_error("matrix::charpoly(): matrix not square"));
 862
 863         bool numeric_flag = true;
 864         exvector::const_iterator r = m.begin(), rend = m.end();
 865         while (r!=rend && numeric_flag==true) {
 866                 if (!r->info(info_flags::numeric))
 867                         numeric_flag = false;
 868                 ++r;
 869         }
 870
 871         // The pure numeric case is traditionally rather common.  Hence, it is
 872         // trapped and we use Leverrier's algorithm which goes as row^3 for
 873         // every coefficient.  The expensive part is the matrix multiplication.
 874         if (numeric_flag) {
 875
 876                 matrix B(*this);
 877                 ex c = B.trace();
 878                 ex poly = power(lambda,row)-c*power(lambda,row-1);
 879                 for (unsigned i=1; i<row; ++i) {
 880                         for (unsigned j=0; j<row; ++j)
 881                                 B.m[j*col+j] -= c;
 882                         B = this->mul(B);
 883                         c = B.trace() / ex(i+1);
 884                         poly -= c*power(lambda,row-i-1);
 885                 }
 886                 if (row%2)
 887                         return -poly;
 888                 else
 889                         return poly;
 890
 891         } else {
 892
 893                 matrix M(*this);
 894                 for (unsigned r=0; r<col; ++r)
 895                         M.m[r*col+r] -= lambda;
 896
 897                 return M.determinant().collect(lambda);
 898         }
 899 }
 900
 901
 902 /** Inverse of this matrix.
 903  *
 904  *  @return    the inverted matrix
 905  *  @exception logic_error (matrix not square)
 906  *  @exception runtime_error (singular matrix) */
 907 matrix matrix::inverse() const
 908 {
 909         if (row != col)
 910                 throw (std::logic_error("matrix::inverse(): matrix not square"));
 911
 912         // This routine actually doesn't do anything fancy at all.  We compute the
 913         // inverse of the matrix A by solving the system A * A^{-1} == Id.
 914
 915         // First populate the identity matrix supposed to become the right hand side.
 916         matrix identity(row,col);
 917         for (unsigned i=0; i<row; ++i)
 918                 identity(i,i) = _ex1;
 919
 920         // Populate a dummy matrix of variables, just because of compatibility with
 921         // matrix::solve() which wants this (for compatibility with under-determined
 922         // systems of equations).
 923         matrix vars(row,col);
 924         for (unsigned r=0; r<row; ++r)
 925                 for (unsigned c=0; c<col; ++c)
 926                         vars(r,c) = symbol();
 927
 928         matrix sol(row,col);
 929         try {
 930                 sol = this->solve(vars,identity);
 931         } catch (const std::runtime_error & e) {
 932             if (e.what()==std::string("matrix::solve(): inconsistent linear system"))
 933                         throw (std::runtime_error("matrix::inverse(): singular matrix"));
 934                 else
 935                         throw;
 936         }
 937         return sol;
 938 }
 939
 940
 941 /** Solve a linear system consisting of a m x n matrix and a m x p right hand
 942  *  side by applying an elimination scheme to the augmented matrix.
 943  *
 944  *  @param vars n x p matrix, all elements must be symbols
 945  *  @param rhs m x p matrix
 946  *  @return n x p solution matrix
 947  *  @exception logic_error (incompatible matrices)
 948  *  @exception invalid_argument (1st argument must be matrix of symbols)
 949  *  @exception runtime_error (inconsistent linear system)
 950  *  @see       solve_algo */
 951 matrix matrix::solve(const matrix & vars,
 952                                          const matrix & rhs,
 953                                          unsigned algo) const
 954 {
 955         const unsigned m = this->rows();
 956         const unsigned n = this->cols();
 957         const unsigned p = rhs.cols();
 958
 959         // syntax checks
 960         if ((rhs.rows() != m) || (vars.rows() != n) || (vars.col != p))
 961                 throw (std::logic_error("matrix::solve(): incompatible matrices"));
 962         for (unsigned ro=0; ro<n; ++ro)
 963                 for (unsigned co=0; co<p; ++co)
 964                         if (!vars(ro,co).info(info_flags::symbol))
 965                                 throw (std::invalid_argument("matrix::solve(): 1st argument must be matrix of symbols"));
 966
 967         // build the augmented matrix of *this with rhs attached to the right
 968         matrix aug(m,n+p);
 969         for (unsigned r=0; r<m; ++r) {
 970                 for (unsigned c=0; c<n; ++c)
 971                         aug.m[r*(n+p)+c] = this->m[r*n+c];
 972                 for (unsigned c=0; c<p; ++c)
 973                         aug.m[r*(n+p)+c+n] = rhs.m[r*p+c];
 974         }
 975
 976         // Gather some statistical information about the augmented matrix:
 977         bool numeric_flag = true;
 978         exvector::const_iterator r = aug.m.begin(), rend = aug.m.end();
 979         while (r!=rend && numeric_flag==true) {
 980                 if (!r->info(info_flags::numeric))
 981                         numeric_flag = false;
 982                 ++r;
 983         }
 984
 985         // Here is the heuristics in case this routine has to decide:
 986         if (algo == solve_algo::automatic) {
 987                 // Bareiss (fraction-free) elimination is generally a good guess:
 988                 algo = solve_algo::bareiss;
 989                 // For m<3, Bareiss elimination is equivalent to division free
 990                 // elimination but has more logistic overhead
 991                 if (m<3)
 992                         algo = solve_algo::divfree;
 993                 // This overrides any prior decisions.
 994                 if (numeric_flag)
 995                         algo = solve_algo::gauss;
 996         }
 997
 998         // Eliminate the augmented matrix:
 999         switch(algo) {
1000                 case solve_algo::gauss:
1001                         aug.gauss_elimination();
1002                         break;
1003                 case solve_algo::divfree:
1004                         aug.division_free_elimination();
1005                         break;
1006                 case solve_algo::bareiss:
1007                 default:
1008                         aug.fraction_free_elimination();
1009         }
1010
1011         // assemble the solution matrix:
1012         matrix sol(n,p);
1013         for (unsigned co=0; co<p; ++co) {
1014                 unsigned last_assigned_sol = n+1;
1015                 for (int r=m-1; r>=0; --r) {
1016                         unsigned fnz = 1;    // first non-zero in row
1017                         while ((fnz<=n) && (aug.m[r*(n+p)+(fnz-1)].is_zero()))
1018                                 ++fnz;
1019                         if (fnz>n) {
1020                                 // row consists only of zeros, corresponding rhs must be 0, too
1021                                 if (!aug.m[r*(n+p)+n+co].is_zero()) {
1022                                         throw (std::runtime_error("matrix::solve(): inconsistent linear system"));
1023                                 }
1024                         } else {
1025                                 // assign solutions for vars between fnz+1 and
1026                                 // last_assigned_sol-1: free parameters
1027                                 for (unsigned c=fnz; c<last_assigned_sol-1; ++c)
1028                                         sol(c,co) = vars.m[c*p+co];
1029                                 ex e = aug.m[r*(n+p)+n+co];
1030                                 for (unsigned c=fnz; c<n; ++c)
1031                                         e -= aug.m[r*(n+p)+c]*sol.m[c*p+co];
1032                                 sol(fnz-1,co) = (e/(aug.m[r*(n+p)+(fnz-1)])).normal();
1033                                 last_assigned_sol = fnz;
1034                         }
1035                 }
1036                 // assign solutions for vars between 1 and
1037                 // last_assigned_sol-1: free parameters
1038                 for (unsigned ro=0; ro<last_assigned_sol-1; ++ro)
1039                         sol(ro,co) = vars(ro,co);
1040         }
1041
1042         return sol;
1043 }
1044
1045
1046 // protected
1047
1048 /** Recursive determinant for small matrices having at least one symbolic
1049  *  entry.  The basic algorithm, known as Laplace-expansion, is enhanced by
1050  *  some bookkeeping to avoid calculation of the same submatrices ("minors")
1051  *  more than once.  According to W.M.Gentleman and S.C.Johnson this algorithm
1052  *  is better than elimination schemes for matrices of sparse multivariate
1053  *  polynomials and also for matrices of dense univariate polynomials if the
1054  *  matrix' dimesion is larger than 7.
1055  *
1056  *  @return the determinant as a new expression (in expanded form)
1057  *  @see matrix::determinant() */
1058 ex matrix::determinant_minor() const
1059 {
1060         // for small matrices the algorithm does not make any sense:
1061         const unsigned n = this->cols();
1062         if (n==1)
1063                 return m[0].expand();
1064         if (n==2)
1065                 return (m[0]*m[3]-m[2]*m[1]).expand();
1066         if (n==3)
1067                 return (m[0]*m[4]*m[8]-m[0]*m[5]*m[7]-
1068                         m[1]*m[3]*m[8]+m[2]*m[3]*m[7]+
1069                         m[1]*m[5]*m[6]-m[2]*m[4]*m[6]).expand();
1070
1071         // This algorithm can best be understood by looking at a naive
1072         // implementation of Laplace-expansion, like this one:
1073         // ex det;
1074         // matrix minorM(this->rows()-1,this->cols()-1);
1075         // for (unsigned r1=0; r1<this->rows(); ++r1) {
1076         //     // shortcut if element(r1,0) vanishes
1077         //     if (m[r1*col].is_zero())
1078         //         continue;
1079         //     // assemble the minor matrix
1080         //     for (unsigned r=0; r<minorM.rows(); ++r) {
1081         //         for (unsigned c=0; c<minorM.cols(); ++c) {
1082         //             if (r<r1)
1083         //                 minorM(r,c) = m[r*col+c+1];
1084         //             else
1085         //                 minorM(r,c) = m[(r+1)*col+c+1];
1086         //         }
1087         //     }
1088         //     // recurse down and care for sign:
1089         //     if (r1%2)
1090         //         det -= m[r1*col] * minorM.determinant_minor();
1091         //     else
1092         //         det += m[r1*col] * minorM.determinant_minor();
1093         // }
1094         // return det.expand();
1095         // What happens is that while proceeding down many of the minors are
1096         // computed more than once.  In particular, there are binomial(n,k)
1097         // kxk minors and each one is computed factorial(n-k) times.  Therefore
1098         // it is reasonable to store the results of the minors.  We proceed from
1099         // right to left.  At each column c we only need to retrieve the minors
1100         // calculated in step c-1.  We therefore only have to store at most
1101         // 2*binomial(n,n/2) minors.
1102
1103         // Unique flipper counter for partitioning into minors
1104         std::vector<unsigned> Pkey;
1105         Pkey.reserve(n);
1106         // key for minor determinant (a subpartition of Pkey)
1107         std::vector<unsigned> Mkey;
1108         Mkey.reserve(n-1);
1109         // we store our subminors in maps, keys being the rows they arise from
1110         typedef std::map<std::vector<unsigned>,class ex> Rmap;
1111         typedef std::map<std::vector<unsigned>,class ex>::value_type Rmap_value;
1112         Rmap A;
1113         Rmap B;
1114         ex det;
1115         // initialize A with last column:
1116         for (unsigned r=0; r<n; ++r) {
1117                 Pkey.erase(Pkey.begin(),Pkey.end());
1118                 Pkey.push_back(r);
1119                 A.insert(Rmap_value(Pkey,m[n*(r+1)-1]));
1120         }
1121         // proceed from right to left through matrix
1122         for (int c=n-2; c>=0; --c) {
1123                 Pkey.erase(Pkey.begin(),Pkey.end());  // don't change capacity
1124                 Mkey.erase(Mkey.begin(),Mkey.end());
1125                 for (unsigned i=0; i<n-c; ++i)
1126                         Pkey.push_back(i);
1127                 unsigned fc = 0;  // controls logic for our strange flipper counter
1128                 do {
1129                         det = _ex0;
1130                         for (unsigned r=0; r<n-c; ++r) {
1131                                 // maybe there is nothing to do?
1132                                 if (m[Pkey[r]*n+c].is_zero())
1133                                         continue;
1134                                 // create the sorted key for all possible minors
1135                                 Mkey.erase(Mkey.begin(),Mkey.end());
1136                                 for (unsigned i=0; i<n-c; ++i)
1137                                         if (i!=r)
1138                                                 Mkey.push_back(Pkey[i]);
1139                                 // Fetch the minors and compute the new determinant
1140                                 if (r%2)
1141                                         det -= m[Pkey[r]*n+c]*A[Mkey];
1142                                 else
1143                                         det += m[Pkey[r]*n+c]*A[Mkey];
1144                         }
1145                         // prevent build-up of deep nesting of expressions saves time:
1146                         det = det.expand();
1147                         // store the new determinant at its place in B:
1148                         if (!det.is_zero())
1149                                 B.insert(Rmap_value(Pkey,det));
1150                         // increment our strange flipper counter
1151                         for (fc=n-c; fc>0; --fc) {
1152                                 ++Pkey[fc-1];
1153                                 if (Pkey[fc-1]<fc+c)
1154                                         break;
1155                         }
1156                         if (fc<n-c && fc>0)
1157                                 for (unsigned j=fc; j<n-c; ++j)
1158                                         Pkey[j] = Pkey[j-1]+1;
1159                 } while(fc);
1160                 // next column, so change the role of A and B:
1161                 A = B;
1162                 B.clear();
1163         }
1164
1165         return det;
1166 }
1167
1168
1169 /** Perform the steps of an ordinary Gaussian elimination to bring the m x n
1170  *  matrix into an upper echelon form.  The algorithm is ok for matrices
1171  *  with numeric coefficients but quite unsuited for symbolic matrices.
1172  *
1173  *  @param det may be set to true to save a lot of space if one is only
1174  *  interested in the diagonal elements (i.e. for calculating determinants).
1175  *  The others are set to zero in this case.
1176  *  @return sign is 1 if an even number of rows was swapped, -1 if an odd
1177  *  number of rows was swapped and 0 if the matrix is singular. */
1178 int matrix::gauss_elimination(const bool det)
1179 {
1180         ensure_if_modifiable();
1181         const unsigned m = this->rows();
1182         const unsigned n = this->cols();
1183         GINAC_ASSERT(!det || n==m);
1184         int sign = 1;
1185
1186         unsigned r0 = 0;
1187         for (unsigned r1=0; (r1<n-1)&&(r0<m-1); ++r1) {
1188                 int indx = pivot(r0, r1, true);
1189                 if (indx == -1) {
1190                         sign = 0;
1191                         if (det)
1192                                 return 0;  // leaves *this in a messy state
1193                 }
1194                 if (indx>=0) {
1195                         if (indx > 0)
1196                                 sign = -sign;
1197                         for (unsigned r2=r0+1; r2<m; ++r2) {
1198                                 if (!this->m[r2*n+r1].is_zero()) {
1199                                         // yes, there is something to do in this row
1200                                         ex piv = this->m[r2*n+r1] / this->m[r0*n+r1];
1201                                         for (unsigned c=r1+1; c<n; ++c) {
1202                                                 this->m[r2*n+c] -= piv * this->m[r0*n+c];
1203                                                 if (!this->m[r2*n+c].info(info_flags::numeric))
1204                                                         this->m[r2*n+c] = this->m[r2*n+c].normal();
1205                                         }
1206                                 }
1207                                 // fill up left hand side with zeros
1208                                 for (unsigned c=0; c<=r1; ++c)
1209                                         this->m[r2*n+c] = _ex0;
1210                         }
1211                         if (det) {
1212                                 // save space by deleting no longer needed elements
1213                                 for (unsigned c=r0+1; c<n; ++c)
1214                                         this->m[r0*n+c] = _ex0;
1215                         }
1216                         ++r0;
1217                 }
1218         }
1219
1220         return sign;
1221 }
1222
1223
1224 /** Perform the steps of division free elimination to bring the m x n matrix
1225  *  into an upper echelon form.
1226  *
1227  *  @param det may be set to true to save a lot of space if one is only
1228  *  interested in the diagonal elements (i.e. for calculating determinants).
1229  *  The others are set to zero in this case.
1230  *  @return sign is 1 if an even number of rows was swapped, -1 if an odd
1231  *  number of rows was swapped and 0 if the matrix is singular. */
1232 int matrix::division_free_elimination(const bool det)
1233 {
1234         ensure_if_modifiable();
1235         const unsigned m = this->rows();
1236         const unsigned n = this->cols();
1237         GINAC_ASSERT(!det || n==m);
1238         int sign = 1;
1239
1240         unsigned r0 = 0;
1241         for (unsigned r1=0; (r1<n-1)&&(r0<m-1); ++r1) {
1242                 int indx = pivot(r0, r1, true);
1243                 if (indx==-1) {
1244                         sign = 0;
1245                         if (det)
1246                                 return 0;  // leaves *this in a messy state
1247                 }
1248                 if (indx>=0) {
1249                         if (indx>0)
1250                                 sign = -sign;
1251                         for (unsigned r2=r0+1; r2<m; ++r2) {
1252                                 for (unsigned c=r1+1; c<n; ++c)
1253                                         this->m[r2*n+c] = (this->m[r0*n+r1]*this->m[r2*n+c] - this->m[r2*n+r1]*this->m[r0*n+c]).expand();
1254                                 // fill up left hand side with zeros
1255                                 for (unsigned c=0; c<=r1; ++c)
1256                                         this->m[r2*n+c] = _ex0;
1257                         }
1258                         if (det) {
1259                                 // save space by deleting no longer needed elements
1260                                 for (unsigned c=r0+1; c<n; ++c)
1261                                         this->m[r0*n+c] = _ex0;
1262                         }
1263                         ++r0;
1264                 }
1265         }
1266
1267         return sign;
1268 }
1269
1270
1271 /** Perform the steps of Bareiss' one-step fraction free elimination to bring
1272  *  the matrix into an upper echelon form.  Fraction free elimination means
1273  *  that divide is used straightforwardly, without computing GCDs first.  This
1274  *  is possible, since we know the divisor at each step.
1275  *
1276  *  @param det may be set to true to save a lot of space if one is only
1277  *  interested in the last element (i.e. for calculating determinants). The
1278  *  others are set to zero in this case.
1279  *  @return sign is 1 if an even number of rows was swapped, -1 if an odd
1280  *  number of rows was swapped and 0 if the matrix is singular. */
1281 int matrix::fraction_free_elimination(const bool det)
1282 {
1283         // Method:
1284         // (single-step fraction free elimination scheme, already known to Jordan)
1285         //
1286         // Usual division-free elimination sets m[0](r,c) = m(r,c) and then sets
1287         //     m[k+1](r,c) = m[k](k,k) * m[k](r,c) - m[k](r,k) * m[k](k,c).
1288         //
1289         // Bareiss (fraction-free) elimination in addition divides that element
1290         // by m[k-1](k-1,k-1) for k>1, where it can be shown by means of the
1291         // Sylvester identity that this really divides m[k+1](r,c).
1292         //
1293         // We also allow rational functions where the original prove still holds.
1294         // However, we must care for numerator and denominator separately and
1295         // "manually" work in the integral domains because of subtle cancellations
1296         // (see below).  This blows up the bookkeeping a bit and the formula has
1297         // to be modified to expand like this (N{x} stands for numerator of x,
1298         // D{x} for denominator of x):
1299         //     N{m[k+1](r,c)} = N{m[k](k,k)}*N{m[k](r,c)}*D{m[k](r,k)}*D{m[k](k,c)}
1300         //                     -N{m[k](r,k)}*N{m[k](k,c)}*D{m[k](k,k)}*D{m[k](r,c)}
1301         //     D{m[k+1](r,c)} = D{m[k](k,k)}*D{m[k](r,c)}*D{m[k](r,k)}*D{m[k](k,c)}
1302         // where for k>1 we now divide N{m[k+1](r,c)} by
1303         //     N{m[k-1](k-1,k-1)}
1304         // and D{m[k+1](r,c)} by
1305         //     D{m[k-1](k-1,k-1)}.
1306
1307         ensure_if_modifiable();
1308         const unsigned m = this->rows();
1309         const unsigned n = this->cols();
1310         GINAC_ASSERT(!det || n==m);
1311         int sign = 1;
1312         if (m==1)
1313                 return 1;
1314         ex divisor_n = 1;
1315         ex divisor_d = 1;
1316         ex dividend_n;
1317         ex dividend_d;
1318
1319         // We populate temporary matrices to subsequently operate on.  There is
1320         // one holding numerators and another holding denominators of entries.
1321         // This is a must since the evaluator (or even earlier mul's constructor)
1322         // might cancel some trivial element which causes divide() to fail.  The
1323         // elements are normalized first (yes, even though this algorithm doesn't
1324         // need GCDs) since the elements of *this might be unnormalized, which
1325         // makes things more complicated than they need to be.
1326         matrix tmp_n(*this);
1327         matrix tmp_d(m,n);  // for denominators, if needed
1328         lst srl;  // symbol replacement list
1329         exvector::const_iterator cit = this->m.begin(), citend = this->m.end();
1330         exvector::iterator tmp_n_it = tmp_n.m.begin(), tmp_d_it = tmp_d.m.begin();
1331         while (cit != citend) {
1332                 ex nd = cit->normal().to_rational(srl).numer_denom();
1333                 ++cit;
1334                 *tmp_n_it++ = nd.op(0);
1335                 *tmp_d_it++ = nd.op(1);
1336         }
1337
1338         unsigned r0 = 0;
1339         for (unsigned r1=0; (r1<n-1)&&(r0<m-1); ++r1) {
1340                 int indx = tmp_n.pivot(r0, r1, true);
1341                 if (indx==-1) {
1342                         sign = 0;
1343                         if (det)
1344                                 return 0;
1345                 }
1346                 if (indx>=0) {
1347                         if (indx>0) {
1348                                 sign = -sign;
1349                                 // tmp_n's rows r0 and indx were swapped, do the same in tmp_d:
1350                                 for (unsigned c=r1; c<n; ++c)
1351                                         tmp_d.m[n*indx+c].swap(tmp_d.m[n*r0+c]);
1352                         }
1353                         for (unsigned r2=r0+1; r2<m; ++r2) {
1354                                 for (unsigned c=r1+1; c<n; ++c) {
1355                                         dividend_n = (tmp_n.m[r0*n+r1]*tmp_n.m[r2*n+c]*
1356                                                       tmp_d.m[r2*n+r1]*tmp_d.m[r0*n+c]
1357                                                      -tmp_n.m[r2*n+r1]*tmp_n.m[r0*n+c]*
1358                                                       tmp_d.m[r0*n+r1]*tmp_d.m[r2*n+c]).expand();
1359                                         dividend_d = (tmp_d.m[r2*n+r1]*tmp_d.m[r0*n+c]*
1360                                                       tmp_d.m[r0*n+r1]*tmp_d.m[r2*n+c]).expand();
1361                                         bool check = divide(dividend_n, divisor_n,
1362                                                             tmp_n.m[r2*n+c], true);
1363                                         check &= divide(dividend_d, divisor_d,
1364                                                         tmp_d.m[r2*n+c], true);
1365                                         GINAC_ASSERT(check);
1366                                 }
1367                                 // fill up left hand side with zeros
1368                                 for (unsigned c=0; c<=r1; ++c)
1369                                         tmp_n.m[r2*n+c] = _ex0;
1370                         }
1371                         if ((r1<n-1)&&(r0<m-1)) {
1372                                 // compute next iteration's divisor
1373                                 divisor_n = tmp_n.m[r0*n+r1].expand();
1374                                 divisor_d = tmp_d.m[r0*n+r1].expand();
1375                                 if (det) {
1376                                         // save space by deleting no longer needed elements
1377                                         for (unsigned c=0; c<n; ++c) {
1378                                                 tmp_n.m[r0*n+c] = _ex0;
1379                                                 tmp_d.m[r0*n+c] = _ex1;
1380                                         }
1381                                 }
1382                         }
1383                         ++r0;
1384                 }
1385         }
1386         // repopulate *this matrix:
1387         exvector::iterator it = this->m.begin(), itend = this->m.end();
1388         tmp_n_it = tmp_n.m.begin();
1389         tmp_d_it = tmp_d.m.begin();
1390         while (it != itend)
1391                 *it++ = ((*tmp_n_it++)/(*tmp_d_it++)).subs(srl, subs_options::no_pattern);
1392
1393         return sign;
1394 }
1395
1396
1397 /** Partial pivoting method for matrix elimination schemes.
1398  *  Usual pivoting (symbolic==false) returns the index to the element with the
1399  *  largest absolute value in column ro and swaps the current row with the one
1400  *  where the element was found.  With (symbolic==true) it does the same thing
1401  *  with the first non-zero element.
1402  *
1403  *  @param ro is the row from where to begin
1404  *  @param co is the column to be inspected
1405  *  @param symbolic signal if we want the first non-zero element to be pivoted
1406  *  (true) or the one with the largest absolute value (false).
1407  *  @return 0 if no interchange occured, -1 if all are zero (usually signaling
1408  *  a degeneracy) and positive integer k means that rows ro and k were swapped.
1409  */
1410 int matrix::pivot(unsigned ro, unsigned co, bool symbolic)
1411 {
1412         unsigned k = ro;
1413         if (symbolic) {
1414                 // search first non-zero element in column co beginning at row ro
1415                 while ((k<row) && (this->m[k*col+co].expand().is_zero()))
1416                         ++k;
1417         } else {
1418                 // search largest element in column co beginning at row ro
1419                 GINAC_ASSERT(is_exactly_a<numeric>(this->m[k*col+co]));
1420                 unsigned kmax = k+1;
1421                 numeric mmax = abs(ex_to<numeric>(m[kmax*col+co]));
1422                 while (kmax<row) {
1423                         GINAC_ASSERT(is_exactly_a<numeric>(this->m[kmax*col+co]));
1424                         numeric tmp = ex_to<numeric>(this->m[kmax*col+co]);
1425                         if (abs(tmp) > mmax) {
1426                                 mmax = tmp;
1427                                 k = kmax;
1428                         }
1429                         ++kmax;
1430                 }
1431                 if (!mmax.is_zero())
1432                         k = kmax;
1433         }
1434         if (k==row)
1435                 // all elements in column co below row ro vanish
1436                 return -1;
1437         if (k==ro)
1438                 // matrix needs no pivoting
1439                 return 0;
1440         // matrix needs pivoting, so swap rows k and ro
1441         ensure_if_modifiable();
1442         for (unsigned c=0; c<col; ++c)
1443                 this->m[k*col+c].swap(this->m[ro*col+c]);
1444
1445         return k;
1446 }
1447
1448 ex lst_to_matrix(const lst & l)
1449 {
1450         lst::const_iterator itr, itc;
1451
1452         // Find number of rows and columns
1453         size_t rows = l.nops(), cols = 0;
1454         for (itr = l.begin(); itr != l.end(); ++itr) {
1455                 if (!is_a<lst>(*itr))
1456                         throw (std::invalid_argument("lst_to_matrix: argument must be a list of lists"));
1457                 if (itr->nops() > cols)
1458                         cols = itr->nops();
1459         }
1460
1461         // Allocate and fill matrix
1462         matrix &M = *new matrix(rows, cols);
1463         M.setflag(status_flags::dynallocated);
1464
1465         unsigned i;
1466         for (itr = l.begin(), i = 0; itr != l.end(); ++itr, ++i) {
1467                 unsigned j;
1468                 for (itc = ex_to<lst>(*itr).begin(), j = 0; itc != ex_to<lst>(*itr).end(); ++itc, ++j)
1469                         M(i, j) = *itc;
1470         }
1471
1472         return M;
1473 }
1474
1475 ex diag_matrix(const lst & l)
1476 {
1477         lst::const_iterator it;
1478         size_t dim = l.nops();
1479
1480         // Allocate and fill matrix
1481         matrix &M = *new matrix(dim, dim);
1482         M.setflag(status_flags::dynallocated);
1483
1484         unsigned i;
1485         for (it = l.begin(), i = 0; it != l.end(); ++it, ++i)
1486                 M(i, i) = *it;
1487
1488         return M;
1489 }
1490
1491 ex unit_matrix(unsigned r, unsigned c)
1492 {
1493         matrix &Id = *new matrix(r, c);
1494         Id.setflag(status_flags::dynallocated);
1495         for (unsigned i=0; i<r && i<c; i++)
1496                 Id(i,i) = _ex1;
1497
1498         return Id;
1499 }
1500
1501 ex symbolic_matrix(unsigned r, unsigned c, const std::string & base_name, const std::string & tex_base_name)
1502 {
1503         matrix &M = *new matrix(r, c);
1504         M.setflag(status_flags::dynallocated | status_flags::evaluated);
1505
1506         bool long_format = (r > 10 || c > 10);
1507         bool single_row = (r == 1 || c == 1);
1508
1509         for (unsigned i=0; i<r; i++) {
1510                 for (unsigned j=0; j<c; j++) {
1511                         std::ostringstream s1, s2;
1512                         s1 << base_name;
1513                         s2 << tex_base_name << "_{";
1514                         if (single_row) {
1515                                 if (c == 1) {
1516                                         s1 << i;
1517                                         s2 << i << '}';
1518                                 } else {
1519                                         s1 << j;
1520                                         s2 << j << '}';
1521                                 }
1522                         } else {
1523                                 if (long_format) {
1524                                         s1 << '_' << i << '_' << j;
1525                                         s2 << i << ';' << j << "}";
1526                                 } else {
1527                                         s1 << i << j;
1528                                         s2 << i << j << '}';
1529                                 }
1530                         }
1531                         M(i, j) = symbol(s1.str(), s2.str());
1532                 }
1533         }
1534
1535         return M;
1536 }
1537
1538 } // namespace GiNaC