Линейная алгебра для разработчиков игр
Эта статья является переводом цикла из четырёх статей «Linear algebra for game developers», написанных David Rosen и посвящённых линейной алгебре и её применению в разработке игр. С оригинальными статьями можно ознакомиться тут: часть 1, часть 2, часть 3 и часть 4. Я не стал публиковать переводы отдельными топиками, а объединил все статьи в одну. Думаю, что так будет удобнее воспринимать материал и работать с ним. Итак приступим.
Зачем нам линейная алгебра?
Одним из направлений в линейной алгебре является изучение векторов. Если в вашей игре применяется позиционирование экранных кнопок, работа с камерой и её направлением, скоростями объектов, то вам придётся иметь дело с векторами. Чем лучше вы понимаете линейную алгебру, тем больший контроль вы получаете над поведением векторов и, следовательно, над вашей игрой.
Что такое вектор?
В играх вектора используются для хранения местоположений, направлений и скоростей. Ниже приведён пример двухмерного вектора:
Вектор местоположения (также называемый «радиус-вектором») показывает, что человек стоит в двух метрах восточнее и в одном метре к северу от исходной точки. Вектор скорости показывает, что за единицу времени самолёт перемещается на три километра вверх и на два — влево. Вектор направления говорит нам о том, что пистолет направлен вправо.
Как вы можете заметить, вектор сам по себе всего лишь набор цифр, который обретает тот или иной смысл в зависимости от контекста. К примеру, вектор (1, 0) может быть как направлением для оружия, как показано на картинке, так и координатами строения в одну милю к востоку от вашей текущей позиции. Или скоростью улитки, которая двигается вправо со скоростью в 1 милю в час (прим. переводчика: довольно быстро для улитки, 44 сантиметра в секунду).
Важно отслеживать единицы измерения. Допустим у нас есть вектор V (3,5,2). Это мало что говорит нам. Три чего, пять чего? В нашей игре Overgrowth расстояния указываются в метрах, а скорости в метрах в секунду. Первое число в этом векторе — это направление на восток, второе — направление вверх, третье — направление на север. Отрицательные числа обозначают противоположные направления, на запад, вниз и на юг. Местоположение, определяемое вектором V (3,5,2), находится в трёх метрах к востоку, в пяти метрах вверху и в двух метрах к северу, как показано на картинке ниже.
Итак, мы изучили основы работы с векторами. Теперь узнаем как вектора использовать.
Сложение векторов
Чтобы сложить вектора, нам надо просто сложить каждую их составляющую друг с другом. Например:
(0, 1, 4) + (3, -2, 5) = (0+3, 1-2, 4+5) = (3, -1, 9)
Зачем нам нужно складывать вектора? Наиболее часто сложение векторов в играх применяется для физического интегрирования. Любой физический объект будет иметь вектора для местоположения, скорости и ускорения. Для каждого кадра (обычно это одна шестидесятая часть секунды), мы должны интегрировать два вектора: добавить скорость к местоположению и ускорение к скорости.
Давайте рассмотрим пример с прыжками Марио. Он начинает с позиции (0, 0). В момент начала прыжка его скорость (1, 3), он быстро двигается вверх и вправо. Его ускорение равно (0, -1), так как гравитация тянет его вниз. На картинке показано, как выглядит его прыжок, разбитый на семь кадров. Чёрным текстом показана его скорость в каждом фрейме.
Давайте рассмотрим первые кадры поподробнее, чтобы понять как всё происходит.
Для первого кадра, мы добавляем скорость Марио (1, 3) к его местоположению (0, 0) и получаем его новые координаты (1, 3). Затем мы складываем ускорение (0, -1) с его скоростью (1, 3) и получаем новое значение скорости Марио (1, 2).
Делаем то-же самое для второго кадра. Добавляем скорость (1, 2) к местоположению (1, 3) и получаем координаты (2, 5). Затем добавляем ускорение (0, -1) к его скорости (1, 2) и получаем новую скорость (1, 1).
Обычно игрок контролирует ускорение игрового персонажа с помощью клавиатуры или геймпада, а игра, в свою очередь, рассчитывает новые значения для скоростей и местоположения, используя физическое сложение (через сложение векторов). Это та-же задача, которая решается в интегральном исчислении, просто мы его сильно упрощаем для нашей игры. Я заметил, что мне намного проще внимательно слушать лекции по интегральному исчислению, думая о практическом его применении, которое мы только что описали.
Вычитание векторов
Вычитание рассчитывается по тому-же принципу что и сложение — вычитаем соответствующие компоненты векторов. Вычитание векторов удобно для получения вектора, который показывает из одного местоположения на другое. Например, пусть игрок находится по координатам (1, 2) с лазерным ружьём, а вражеский робот находится по координатам (4, 3). Чтобы определить вектор движения лазерного луча, который поразит робота, нам надо вычесть местоположение игрока из местоположения робота. Получаем:
(4, 3) — (1, 2) = (4-1, 3-2) = (3, 1).
Умножение вектора на скаляр
Когда мы говорим о векторах, мы называем отдельные числа скалярами. Например (3, 4) — вектор, а 5 — это скаляр. В играх, часто бывает нужно умножить вектор на число (скаляр). Например, моделируя простое сопротивление воздуха путём умножения скорости игрока на 0.9 в каждом кадре. Чтобы сделать это, нам надо умножить каждый компонент вектора на скаляр. Если скорость игрока (10, 20), то новая скорость будет:
0.9*(10, 20) = (0.9 * 10, 0.9 * 20) = (9, 18).
Длина вектора
Если у нас есть корабль с вектором скорости V (4, 3), нам также понадобится узнать как быстро он двигается, чтобы посчитать потребность в экранном пространстве или сколько потребуется топлива. Чтобы сделать это, нам понадобится найти длину (модуль) вектора V. Длина вектора обозначается вертикальными линиями, в нашем случае длина вектора V будет обозначаться как |V|.
Мы можем представить V как прямоугольный треугольник со сторонами 4 и 3 и, применяя теорему Пифагора, получить гипотенузу из выражения: x 2 + y 2 = h 2
В нашем случае — длину вектора H с компонентами (x, y) мы получаем из квадратного корня: sqrt(x 2 + y 2 ).
Итак, скорость нашего корабля равна:
|V| = sqrt(4 2 + 3 2 ) = sqrt(25) = 5
Этот подход используется и для трёхмерных векторов. Длина вектора с компонентами (x, y, z) рассчитывается как sqrt(x 2 + y 2 + z 2 )
Расстояние
Если игрок P находится в точке (3, 3), а взрыв произошёл в точке E по координатам (1, 2), нам надо определить расстояние между игроком и взрывом, чтобы рассчитать степень ущерба, нанесённого игроку. Это легко сделать, комбинируя две вышеописанных операции: вычитание векторов и их длину.
Мы вычитаем P — E, чтобы получить вектор между ними. А затем определяем длину этого вектора, что и даёт нам искомое расстояние. Порядок следования операндов тут не имеет значения, |E — P| даст тот-же самый результат.
Расстояние = |P — E| = |(3, 3) — (1, 2)| = |(2, 1)| = sqrt(2 2 +1 2 ) = sqrt(5) = 2.23
Нормализация
Когда мы имеем дело с направлениями (в отличие от местоположений и скоростей), важно, чтобы вектор направления имел длину, равную единице. Это сильно упрощает нам жизнь. Например, допустим орудие развёрнуто в направлении (1, 0) и выстреливает снаряд со скоростью 20 метров в секунду. Каков в данном случае вектор скорости для выпущенного снаряда?
Так как вектор направления имеет длину равную единице, мы умножаем направление на скорость снаряда и получаем вектор скорости (20, 0). Если-же вектор направления имеет отличную от единицы длину, мы не сможем сделать этого. Снаряд будет либо слишком быстрым, либо слишком медленным.
Вектор с длиной равной единице называется «нормализованным». Как сделать вектор нормализованным? Довольно просто. Мы делим каждый компонент вектора на его длину. Если, к примеру, мы хотим нормализовать вектор V с компонентами (3, 4), мы просто делим каждый компонент на его длину, то есть на 5, и получаем (3/5, 4/5). Теперь, с помощью теоремы Пифагора, мы убедимся в том, что его длина равна единице:
(3/5) 2 + (4/5) 2 = 9/25 + 16/25 = 25/25 = 1
Скалярное произведение векторов
Что такое скалярное произведение (записывается как •)? Чтобы рассчитать скалярное произведение двух векторов, мы должны умножить их компоненты, а затем сложить полученные результаты вместе
(a1, a2) • (b1, b2) = a1b1 + a2b2
Например: (3, 2) • (1, 4) = 3*1 + 2*4 = 11. На первый взгляд это кажется бесполезным, но посмотрим внимательнее на это:
Здесь мы можем увидеть, что если вектора указывают в одном направлении, то их скалярное произведение больше нуля. Когда они перпендикулярны друг другу, то скалярное произведение равно нулю. И когда они указывают в противоположных направлениях, их скалярное произведение меньше нуля.
В основном, с помощью скалярного произведения векторов можно рассчитать, сколько их указывает в одном направлении. И хоть это лишь малая часть возможностей скалярного произведения, но уже очень для нас полезная.
Допустим у нас есть стражник, расположенный в G(1, 3) смотрящий в направлении D(1,1), с углом обзора 180 градусов. Главный герой игры подсматривает за ним с позиции H(3, 2). Как определить, находится-ли главный герой в поле зрения стражника или нет? Сделаем это путём скалярного произведения векторов D и V (вектора, направленного от стражника к главному герою). Мы получим следующее:
V = H — G = (3, 2) — (1, 3) = (3-1, 2-3) = (2, -1)
D•V = (1, 1) • (2, -1) = 1*2 + 1*-1 = 2-1 = 1
Так как единица больше нуля, то главный герой находится в поле зрения стражника.
Мы уже знаем, что скалярное произведение имеет отношение к определению направления векторов. А каково его более точное определение? Математическое выражение скалярного произведения векторов выглядит так:
Где Θ (произносится как «theta») — угол между векторами A и B.
Это позволяет нам найти Θ (угол) с помощью выражения:
Как я говорил ранее, нормализация векторов упрощает нашу жизнь. И если A и B нормализованы, то выражение упрощается следующим образом:
Давайте опять рассмотрим сценарий со стражником. Пусть теперь угол обзора стражника будет равен 120 градусам. Получим нормализованные вектора для направления взгляда стражника (D’) и для направления от стражника к главному герою (V’). Затем определим угол между ними. Если угол более 60 градусов (половина от угла обзора), то главный герой находится вне поля зрения стражника.
D’ = D / |D| = (1, 1) / sqrt(1 2 + 1 2 ) = (1, 1) / sqrt(2) = (0.71, 0.71)
V’ = V / |V| = (2, -1) / sqrt(2 2 + (-1) 2 ) = (2,-1) / sqrt(5) = (0.89, -0.45)
Θ = acos(D’V’) = acos(0.71*0.89 + 0.71*(-0.45)) = acos(0.31) = 72
Угол между центром поля зрения стражника и местоположением главного героя составляет 72 градуса, следовательно стражник его не видит.
Понимаю, что это выглядит довольно сложно, но это потому, что мы всё делаем вручную. В программе это всё довольно просто. Ниже показано как я сделал это в нашей игре Overgrowth с помощью написанных мной С++ библиотек для работы с векторами:
//Инициализируем вектора vec2 guard_pos = vec2(1,3); vec2 guard_facing = vec2(1,1); vec2 hero_pos = vec2(3,2); //Рассчитываем нормализованные вектора vec2 guard_facing_n = normalize(guard_facing); vec2 guard_to_hero = normalize(hero_pos - guard_pos); //Рассчитываем угол float angle = acos(dot(guard_facing_n, guard_to_hero)); Векторное произведение
Допустим у нас есть корабль с пушками, которые стреляют в правую и в левую стороны по курсу. Допустим, что лодка расположена вдоль вектора направления (2, 1). В каких направлениях теперь стреляют пушки?
Это довольно просто в двухмерной графике. Чтобы повернуть направление на 90 градусов по часовой стрелке, достаточно поменять местами компоненты вектора, а затем поменять знак второму компоненту.
(a, b) превращается в (b, -a). Следовательно у корабля, расположенного вдоль вектора (2, 1), пушки справа по борту будут стрелять в направлении (1, -2), а пушки с левого борта, будут стрелять в противоположном направлении. Меняем знаки у компонент вектора и получаем (-1, 2).
А что если мы хотим рассчитать это всё для трехмерной графики? Рассмотрим пример с кораблём.
У нас есть вектор мачты M, направленной прямо вверх (0, 1, 0) и направление ветра: север-северо-восток W (1, 0, 2). И мы хотим вычислить вектор направления паруса S, чтобы наилучшим образом «поймать ветер».
Для решения этой задачи мы используем векторное произведение: S = M x W.
Подставим теперь нужные нам значения:
S = MxW = (0, 1, 0) x (1, 0, 2) = ([1*2 — 0*0], [0*1 — 0*2], [0*0 — 1*1]) = (2, 0, -1)
Для расчётов вручную довольно сложно, но для графических и игровых приложений я рекомендую написать функцию, подобную той, что указана ниже и не вдаваться более в детали подобных расчётов.
vec3 cross(vec3 a, vec3 b)
Векторное произведение часто используется в играх, чтобы рассчитать нормали к поверхностям. Направления, в которых «смотрит» та или иная поверхность. Например, рассмотрим треугольник с векторами вершин A, B и С. Как мы найдем направление в котором «смотрит» треугольник, то есть направление перпендикулярное его плоскости? Это кажется сложным, но у нас есть инструмент для решения этой задачи.
Используем вычитание, для определения направления из A в С (C — A), пусть это будет «грань 1» (Edge 1) и направление из A в B (B — A), пусть это будет «грань 2» (Edge 2). А затем применим векторное произведение, чтобы найти вектор, перпендикулярный им обоим, то есть перпендикулярный плоскости треугольника, также называемый «нормалью к плоскости».
Вот так это выглядит в коде:
vec3 GetTriangleNormal(vec3 a, vec3 b, vec3 c)
В играх основное выражение освещённости записывается как N • L, где N — это нормаль к освещаемой поверхности, а L — это нормализованный вектор направления света. В результате поверхность выглядит яркой, когда на неё прямо падает свет, и тёмной, когда этого не происходит.
Теперь перейдем к рассмотрению такого важного для разработчиков игр понятия, как «матрица преобразований» (transformation matrix).
Для начала изучим «строительные блоки» матрицы преобразований.
Базисный вектор
Допустим мы пишем игру Asteroids на очень старом «железе» и нам нужен простой двухмерный космический корабль, который может свободно вращаться в своей плоскости. Модель корабля выглядит так:
Как нам рисовать корабль, когда игрок поворачивает его на произвольный градус, скажем 49 градусов против часовой стрелки. Используя тригонометрию, мы можем написать функцию двухмерного поворота, которая принимает координаты точки и угол поворота, и возвращает координаты смещённой точки:
vec2 rotate(vec2 point, float angle)
Применяя эту функцию ко всем трём точкам, мы получим следующую картину:
Операции с синусами и косинусами работают довольно медленно, но так как мы делаем расчёты лишь для трёх точек, это будет нормально работать даже на старом «железе» (прим. переводчика: в случаях, когда предполагается интенсивное использование тригонометрических функций, для ускорения вычислений, в памяти организуют таблицы значений для каждой функции и рассчитывают их во время запуска приложения. Затем при вычислении той или иной тригонометрической функции просто производится обращение к таблице).
Пусть теперь наш корабль выглядит вот так:
Теперь старый подход будет слишком медленным, так как надо будет поворачивать довольно большое количество точек. Одно из элегантных решений данной проблемы будет звучать так — «Что если вместо поворота каждой точки модели корабля, мы повернём координатную решётку нашей модели?»
Как это работает? Давайте посмотрим внимательнее, что собой представляют координаты.
Когда мы говорим о точке с координатами (3, 2), мы говорим, что её местоположение находится в трех шагах от точки отсчёта по координатной оси X, и двух шагах от точки отсчёта по координатной оси Y.
По-умолчанию координатные оси расположены так: вектор координатной оси X (1, 0), вектор координатной оси Y (0, 1). И мы получим расположение: 3(1, 0) + 2(0, 1). Но координатные оси не обязательно должны быть в таком положении. Если мы повернём координатные оси, в это-же время мы повернём все точки в координатной решётке.
Чтобы получить повернутые оси X и Y мы применим тригонометрические функции, о которых говорили выше. Если мы поворачиваем на 49 градусов, то новая координатная ось X будет получена путём поворота вектора (0, 1) на 49 градусов, а новая координатная ось Y будет получена путём поворота вектора (0, 1) на 49 градусов. Итак вектор новой оси X у нас будет равен (0.66, 0.75), а вектор новой оси Y будет (-0.75, 0.66). Сделаем это вручную для нашей простой модели из трёх точек, чтобы убедиться, что это работает так, как нужно:
Координаты верхней точки (0, 2), что означает, что её новое местоположение находится в 0 на новой (повёрнутой) оси X и 2 на новой оси Y:
0*(0.66,0.75) + 2*(-0.75, 0.66) = (-1.5, 1.3)
Нижняя левая точка (-1, -1), что означает, что её новое местоположение находится в -1 на повернутой оси X, и -1 на повернутой оси Y:
-1*(0.66,0.75) + -1*(-0.75, 0.66) = (0.1, -1.4)
Нижняя правая точка (1, -1), что означает её новое местоположение находится в 1 на повернутой оси X, и -1 на повернутой оси Y
1*(0.66,0.75) + -1*(-0.75, 0.66) = (1.4, 0.1)
Мы показали, как координаты корабля отображаются в другой координатной сетке с повернутыми осями (или «базисными векторами»). Это удобно в нашем случае, так как избавляет нас от необходимости применять тригонометрические преобразования к каждой из точек модели корабля.
Каждый раз, когда мы изменяем базисные вектора (1, 0) и (0, 1) на (a, b) и (c, d), то новая координата точки (x, y) может быть найдена с помощью выражения:
Обычно базисные вектора равны (1, 0) и (0, 1) и мы просто получаем x(1, 0) + y(0, 1) = (x, y), и нет необходимости заботиться об этом дальше. Однако, важно помнить, что мы можем использовать и другие базисные вектора, когда нам это нужно.
Матрицы
Матрицы похожи на двухмерные вектора. Например, типичная 2×2 матрица, может выглядеть так:
[a c b d]
Когда вы умножаете матрицу на вектор, вы суммируете скалярное произведение каждой строки с вектором, на который происходит умножение. Например, если мы умножаем вышеприведённую матрицу на вектор (x, y), то мы получаем:
Будучи записанным по-другому, это выражение выглядит так:
Выглядит знакомо, не так-ли? Это в точности такое-же выражение, которые мы использовали для смены базисных векторов. Это означает, что умножая 2×2 матрицу на двухмерный вектор, мы тем самым меняем базисные вектора. Например, если мы вставим стандартные базисные вектора в (1, 0) и (0, 1) в колонки матрицы, то мы получим:
[1 0 0 1]
Это единичная матрица, которая не даёт эффекта, который мы можем ожидать от нейтральных базисных векторов, которые мы указали. Если-же мы повернём базисные вектора на 49-градусов, то мы получим:
[0.66 -0.75 0.75 0.66]
Эта матрица будет поворачивать двухмерный вектор на 49 градусов против часовой стрелки. Мы можем сделать код нашей игры Asteriods более элегантным, используя матрицы вроде этой. Например, функция поворота нашего корабля может выглядеть так:
void RotateShip(float degrees) < Matrix2x2 R = GetRotationMatrix(degrees); for(int i=0; i> Однако, наш код будет ещё более элегантным, если мы сможем также включить в эту матрицу перемещение корабля в пространстве. Тогда у нас будет единая структура данных, которая будет заключать в себе и применять информацию об ориентации объекта и его местоположении в пространстве.
К счастью есть способ добиться этого, хоть это и выглядит не очень элегантно. Если мы хотим переместиться с помощью вектора (e, f), мы лишь включаем его в нашу матрицу преобразования:
[a c e b d f 0 0 1]
И добавляем дополнительную единицу в конец каждого вектора, определяющего местоположение объекта, например так:
Теперь, когда мы перемножаем их, мы получаем:
(a, c, e) • (x, y, 1) + (b, d, f) • (x, y, 1) + (0, 0, 1) • (x, y, 1)
Что, в свою очередь, может быть записано как:
x(a, b) + y(c, d) + (e, f)
Теперь у нас есть полный механизм трансформации, заключённый в одной матрице. Это важно, если не принимать в расчёт элегантность кода, так как с ней мы теперь можем использовать все стандартные манипуляции с матрицами. Например перемножить матрицы, чтобы добавить нужный эффект, или мы можем инвертировать матрицу, чтобы получить прямо противоположное положение объекта.
Трехмерные матрицы
Матрицы в трехмерном пространстве работают так-же как и в двухмерном. Я приводил примеры с двухмерными векторами и матрицами, так как их просто отобразить с помощью дисплея, показывающего двухмерную картинку. Нам просто надо определить три колонки для базисных векторов, вместо двух. Если базисные вектора это (a,b,c), (d,e,f) and (g,h,i) то наша матрица будет выглядеть так:
[a d g b e h c f i]
Если нам нужно перемещение (j,k,l), то мы добавляем дополнительную колонку и строку, как говорили раньше:
[a d g j b e h k c f i l 0 0 0 1]
И добавляем единицу [1] в вектор, как здесь:
Вращение в двухмерном пространстве
Так как в нашем случае у нас только одна ось вращения (расположенная на дисплее), единственное, что нам надо знать, это угол. Я говорил об этом ранее, упоминая, что мы можем применять тригонометрические функции для реализации функции двухмерного вращения наподобие этой:
vec2 rotate(vec2 point, float angle)
Более элегантно это можно выразить в матричной форме. Чтобы определить матрицу, мы можем применить эту функцию к осям (1, 0) и (0, 1) для угла Θ, а затем включить полученные оси в колонки нашей матрицы. Итак, начнём с координатной оси X (1, 0). Если мы применим к ней нашу функцию, мы получим:
(1*cos(Θ) — 0*sin(Θ), 1*sin(Θ) + 0*cos(Θ)) = (cos(Θ), sin(Θ))
Затем, мы включаем координатную ось Y (0, 1). Получим:
(0*cos(Θ) — 1*sin(Θ), 0*sin(Θ) + 1*cos(Θ)) = (-sin(Θ), cos(Θ))
Включаем полученные координатные оси в матрицу, и получаем двухмерную матрицу вращения:
[cos(Θ) -sin(Θ) sin(Θ) cos(Θ)]
Применим эту матрицу к Сюзанне, мартышке из графического пакета Blender. Угол поворота Θ равен 45 градусов по часовой стрелке.
Как видите — это работает. Но что если нам надо осуществить вращение вокруг точки, отличной от (0, 0)?
Например, мы хотим вращать голову мартышки вокруг точки, расположенной в её ухе:
Чтобы сделать это, мы можем начать с создания матрицы перемещения (translation matrix) T, которая перемещает объект из начальной точки в точку вращения в ухе мартышки, и матрицу вращения R, для вращения объекта вокруг начальной точки. Теперь для вращения вокруг точки, расположенной в ухе, мы можем сперва переместить точку в ухе на место начальной точки, с помощью инвертирования матрицы T, записанной как T -1 . Затем, мы вращаем объект вокруг начальной точки, с помощью матрицы R, а затем применяем матрицу T для перемещения точки вращения назад, к своему исходному положению.
Ниже дана иллюстрация к каждому из описанных шагов:
Это важный шаблон, который мы будем применять позднее — применение вращения для двух противоположных трансформаций позволяет нам вращать объект в другом «пространстве». Что очень удобно и полезно.
Теперь рассмотрим трёхмерное вращение.
Трёхмерное вращение
Вращение вокруг оси Z работает по тому-же принципу, что и вращение в двухмерном пространстве. Нам лишь нужно изменить нашу старую матрицу, добавив к ней дополнительную колонку и строку:
[cos(Θ) -sin(Θ) 0 sin(Θ) cos(Θ) 0 0 0 1]
Применим эту матрицу к трехмерной версии Сюзанны, мартышки из пакета Blender. Угол поворота Θ пусть будет равен 45 градусов по часовой стрелке.
То-же самое. Вращение только вокруг оси Z ограничивает нас, как насчёт вращения вокруг произвольной оси?
Вращение, определяемое осью и углом (Axis-angle rotation)
Представление вращения, определяемого осью и углом, также известно как вращение в экспоненциальных координатах, параметризованное вращением двух величин. Вектора, определяющего вращение направляющей оси (прямая линия) и угла, описывающего величину поворота вокруг этой оси. Вращение осуществляется согласно правилу правой руки.
Итак, вращение задаётся двумя параметрами (axis, angle), где axis — вектор оси вращения, а angle — угол вращения. Этот приём довольно прост и являет собой отправную точку для множества других операций вращения, с которыми я работаю. Как практически применить вращение, определяемое осью и углом?
Допустим мы имеем дело с осью вращения, показанной на рисунке ниже:
Мы знаем как вращать объект вокруг оси Z, и мы знаем как вращать объект в других пространствах. Итак, нам лишь надо создать пространство, где наша ось вращения будет являться осью Z. И если эта ось будет осью Z, то что будет являться осями X и Y? Займемся вычислениями сейчас.
Чтобы создать новые оси X и Y нам нужно лишь выбрать два вектора, которые перпендикулярны новой оси Z и перпендикулярны друг другу. Мы уже говорили ранее о векторном умножении, которое берёт два вектора и даёт в итоге перпендикулярный им вектор.
У нас есть один вектор сейчас, это ось вращения, назовём его A. Возьмём теперь случайный другой вектор B, который находится не в том-же направлении, что и вектор A. Пусть это будет (0, 0, 1) к примеру.
Теперь мы имеем ось вращения A и случайный вектор B, мы можем получить нормаль C, через векторное произведение A и B. С перпендикулярен векторам A и B. Теперь мы делаем вектор B перпендикулярным векторам A и C через их векторное произведение. И всё, у нас есть все нужные нам оси координат.
На словах это звучит сложно, но довольно просто выглядит в коде или будучи показанным в картинках.
Ниже показано, как это выглядит в коде:
B = (0,0,1); C = cross(A,B); B = cross(C,A); Тут показана иллюстрация для каждого шага:
Теперь, имея информацию о новых координатных осях, мы можем составить матрицу M, включив каждую ось как колонку в эту матрицу. Нам надо убедиться, что вектор A является третьей колонкой, чтобы он был нашей новой осью координат Z.
[B0 C0 A0 B1 C1 A1 B2 C2 A2]
Теперь это похоже на то, что мы делали для поворота в двухмерном пространстве. Мы можем применить инвертированную матрицу M, чтобы переместиться в новую систему координат, затем произвести вращение, согласно матрице R, чтобы повернуть объект вокруг оси Z, затем применить матрицу M, чтобы вернуться в исходное координатное пространство.
Теперь мы можем вращать объект вокруг произвольной оси. В конце концов мы можем просто создать матрицу T = T = M -1 RM и использовать её много раз, без дополнительных усилий с нашей стороны. Есть более эффективные способы конвертирования вращений, определяемых осью и углом во вращения, определяемые матрицами. Просто описанный нами подход показывает многое из того, о чём мы говорили ранее.
Вращение, определяемое осью и углом, возможно, самый интуитивно понятный способ. Применяя его, очень легко инвертировать поворот, поменяв знак у угла, и легко интерполировать, путём интерполяции угла. Однако тут есть серьёзное ограничение, и заключается оно в том, что такое вращение не является суммирующим. То есть вы не можете комбинировать два вращения, определяемых осью и углом в третье.
Вращение, определяемое осью и углом — хороший способ для начала, но оно должно быть преобразовано во что-то другое, чтобы использоваться в более сложных случаях.
Эйлеровские углы
Эйлеровские углы представляют собой другой способ вращения, заключающийся в трёх вложенных вращениях относительно осей X, Y и Z. Вы, возможно, сталкивались с их применением в играх, где камера показывает действие от первого лица, либо от третьего лица.
Допустим вы играете в шутер от первого лица и вы повернулись на 30 градусов влево, а затем посмотрели на 40 градусов вверх. В конце-концов в вас стреляют, попадают, и, в результате удара, камера поворачивается вокруг своей оси на 45 градусов. Ниже показано вращение с помощью углов Эйлера (30, 40, 45).
Углы Эйлера — удобное и простое в управлении средство. Но у этого способа есть два недостатка.
Первый, это вероятность возникновения ситуации под названием «блокировка оси» или «шарнирный замок» (gimbal lock). Представьте, что вы играете в шутер от первого лица, где вы можете посмотреть влево, вправо, вверх и вниз или повернуть камеру вокруг зрительной оси. Теперь представьте, что вы смотрите прямо вверх. В этой ситуации попытка взглянуть налево или направо будет аналогична попытке вращения камеры. Всё что мы можем вы этом случае, это вращать камеру вокруг своей оси, либо посмотреть вниз. Как вы можете представить, это ограничение делает непрактичным применение углов Эйлера в лётных симуляторах.
Второе — интерполяция между двумя эйлеровскими углами вращения не даёт кратчайшего пути между ними.
Например, у вас две интерполяции между двумя одинаковыми вращениями. Первая использует интерполяцию эйлеровского угла, вторая использует сферическую линейную интерполяцию (spherical linear interpolation (SLERP)), чтобы найти кратчайший путь.
Итак, что-же больше подойдет для интерполяции вращений? Может быть матрицы?
Вращение с помощью матриц
Как мы уже говорили ранее, матрицы вращения хранят в себе информацию о трёх осях. Это означает, что интерполяция между двумя матрицами лишь линейно интерполирует каждую ось. В результате это даёт нам эффективный путь, то так-же привносит новые проблемы. Например, тут показаны два вращения и одно интерполированное полу-вращение:
Как вы можете заметить, интерполированное вращение значительно меньше, чем любое из исходных вращений, и две оси более не перпендикулярны друг другу. Это логично, если вдуматься — середина отрезка, соединяющего любые две точки на сфере будет расположена ближе к центру сферы.
Это в свою очередь порождает известный «эффект фантика» (candy wrapper effect), при применении скелетной анимации. Ниже показана демонстрация этого эффекта на примере кролика из нашей игры Overgrowth (прим. переводчика: обратите внимание на середину туловища кролика).
Вращение, основанное на матричных операциях, очень полезно, так как они могут аккумулировать вращения без всяких проблем, вроде блокировки оси (gimbal lock), и может очень эффективно применяться к точкам сцены. Вот почему поддержка вращения на матрицах встроена в графические карты. Для любого типа трёхмерной графики матричный формат вращения — это всегда итоговый применяемый способ.
Однако, как мы уже знаем, матрицы не очень хорошо интерполируются, и они не столь интуитивно понятны.
Итак, остался только один главный формат вращения. Последний, но тем не менее, важный.
Кватернионы
Что-же такое кватернионы? Если очень кратко, то это альтернативный вариант вращения, основанный на оси и угле (axis-angle rotation), который существует в пространстве.
Подобно матрицам они могут аккумулировать вращения, то есть вы можете составлять из них цепочку вращений, без опаски получить блокировку оси (gimbal lock). И в то-же время, в отличие от матриц, они могут хорошо интерполироваться из одного положения в другое.
Являются-ли кватернионы лучшим решением, нежели остальные способы вращений (rotation formats)?
На сегодняшний день они комбинируют все сильные стороны других способов вращений. Но у них есть два слабых места, рассмотрев которые, мы придём к выводу, что кватернионы лучше использовать для промежуточных вращений. Итак, каковы недостатки кватернионов.
Во-первых кватернионы непросто отобразить на трёхмерном пространстве. И мы вынуждены всегда реализовывать вращение более простым способом, а затем конвертировать его. Во-вторых, кватернионы не могут эффективно вращать точки, и мы вынуждены конвертировать их в матрицы, чтобы повернуть значительное количество точек.
Это означает, что вы скорее всего не начнете или не закончите серию вращений с помощью кватернионов. Но с их помощью можно реализовать промежуточные вращения более эффективно, нежели при применении любого другого подхода.
«Внутренняя кухня» механизма кватернионов не очень понятна и не интересна мне. И, возможно, не будет интересна и вам, если только вы не математик. И я советую вам найти библиотеки, которые работают с кватернионами, чтобы облегчить вам решение ваших задач с их помощью.
Математические библиотеки «Bullet» или «Blender» будут хорошим вариантом для начала.
- линейная алгебра
- игростроение
Где применяются элементы линейной алгебры в векторах
Измерения
Норма вектора – это термин линейной алгебры, определяющий длину вектора и расстояние между векторами (как длину разности между ними). Существуют нормы различных порядков, но обычно используются только первые два:
L 1 = ∥ x ¯ ∥ 1 := ∑ i = 1 n | x i | ; L 2 = ∥ x ¯ ∥ 2 := ∑ i = 1 n x i 2 = x ¯ ⊤ x ¯
Сингулярное разложение широко используется в рекомендательных системах. Оно позволяет найти базисы пространства строк и пространства столбцов, то есть элементарные признаки обоих пространств. Например, если строки матрицы соответствуют читателям, столбцы – книгам, а сама матрица содержит оценки, которые пользователи поставили книгам, то сингулярное разложение матрицы выделит «типичных читателей» и «типичные книги». Каждого реального читателя и каждую реальную книгу можно представить линейной комбинацией «типичных», после чего будет достаточно легко рассчитать ожидаемую оценку любой книги любым читателем.
Методов, позволяющих современным компьютерам обрабатывать огромные разреженные матрицы пользовательских оценок за приемлемое время, очень мало, так что сингулярное разложение матриц применяется очень широко.
Метод главных компонент (PCA)
Метод главных компонент – один из основных методов сокращения размерности данных, используемых в машинном обучении. Сокращение размерности применяется как при анализе данных, чтобы найти наиболее важные переменные и сконструировать новые признаки на их основе, так и при моделировании, если количество признаков очень велико, и большинство из них слабо влияют на результат. Метод главных компонент находит такую проекцию данных на пространство меньшей размерности, которая максимально сохраняет дисперсию данных.
Продемонстрируем работу метода главных компонент на примере двухмерного набора данных, который мы будем проецировать на одномерное подпространство (линию). Метод состоит из нескольких шагов:
- Вычитаем среднее значение, чтобы набор данных имел среднее значение 0. Это сокращает риск возникновения числовых проблем.
- Стандартизируем. Делим элементы данных на стандартное отклонение sigmad по каждому измерению d. Теперь данные не имеют единиц измерения, а их дисперсия по каждой оси равна 1, что отмечено на рис. в) голубыми стрелками.
- Выполняем спектральное разложение матрицы ковариации. Вычисляем матрицу ковариации данных, ее собственные векторы и собственные значения. На рис. г) собственные векторы масштабированы соответствующими собственными значениями (голубые стрелки), и более длинный вектор соответствует подпространству главных компонент. Матрица ковариации данных изображена в виде эллипса.
- Проецируем данные в подпространство. Рисунок е) показывает итоговую проекцию, перенесенную в исходное пространство данных.
Из описания метода главных компонент видно, что в нем используются понятия не только линейной алгебры, но и статистики (среднее значение, дисперсия, отклонение, матрица ковариации). Тем не менее, основные операции выполняются методами линейной алгебры , ведь именно она описывает проекции из одного пространства в другое, собственные векторы и собственные значения, а также спектральное разложение матриц.
Метод опорных векторов (SVM)
Один из основных методов построения моделей машинного обучения – это метод опорных векторов (Support Vector Machine). Этот метод основан на построении гиперплоскости, максимально разделяющей объекты разных классов – то есть, обеспечивающей максимальное расстояние между граничными точками. Мы не будем вдаваться в детали его реализации, поскольку они достаточно сложны и выходят за рамки нашей статьи. Метод очень подробно, с примерами кода и анимацией, описан в статье на Хабре, откуда взята следующая иллюстрация:
Метод опорных векторов широко используется для задач бинарной классификации, а также сегментации изображений и многих других задач. Существует множество различных вариаций этого метода, причем он позволяет задать спрямляющее ядро, при правильном выборе которого результирующая модель зачастую оказывается более точной, чем модели на основе нейронных сетей – однако это ядро невозможно подобрать автоматически, так что его выбор представляет собой искусство Data Scientist’а. Метод хорошо работает с данными небольшого объема и с данными, имеющими большое количество признаков.
Для нас главное – то, что векторы и гиперплоскости относятся к линейной алгебре, как и весь метод в целом, и для его успешного применения, а также для правильной интерпретации его результатов, хорошее знание линейной алгебры просто необходимо.
Заключение
Мы рассмотрели только самые важные и очевидные приложения линейной алгебры в машинном обучении, но из приведенных примеров понятно, насколько широко она применяется, и насколько глубоко требуется ее знать для уверенного понимания хотя бы основных методов. Разумеется, для реальной работы в области машинного обучения придется изучить намного больше, чем описано в этой статье (предыдущая публикация была посвящена приложениям математического анализа, а в следующей речь пойдет о теории вероятностей и статистике – прим. ред.).
Надеюсь, что вы по-настоящему любите математику, или, по крайней мере, она вас не пугает.
Если вы хотите наработать необходимую для изучения Data Science математическую базу и подготовиться к углубленным занятиям в «Школе обработки данных» или Computer Science Center, обратите внимание на онлайн-курс «Библиотеки программиста». С помощью опытных преподавателей из ведущих вузов страны сделать это будет намного проще, чем самостоятельно по книгам.
Где применяются элементы линейной алгебры в векторах
1. Гулай Т.А., Долгополова А.Ф., Литвин Д.Б., Донец З.Г. Экономико-математическое моделирование факторов экономического анализа посредством метода линейного программирования // Аграрная наука, творчество, рост: Сборник научных трудов по материалам IV Международной научно-практической конференции, 2014. – С. 329-332.
2. Долгополова А.Ф., Гулай Т.А., Литвин Д.Б. Финансовая математика в инвестиционном проектировании (учебное пособие) // Международный журнал прикладных и фундаментальных исследований. – 2014. – № 8-2. – С. 178-179.
3. Мамаев И.И., Долгополова А.Ф. Профессиональная направленность в обучении студентов математическим дисциплинам //Аграрная наука, творчество, рост. – 2013. – С. 268-371.
4. Шмалько С.П. Сгущение учебной профессионально ориентированной информации по математике при обучении студентов-экономистов. // Теория и практика общественного развития. – 2011. – №6. – С. 150-155.
5. Шмалько С.П. Формирование профессионально ориентированного мышления у студентов экономических направлений // Культурная жизнь Юга России. – 2010. – № 1. – С. 99-101.
Ни для кого не секрет, что математика – фундаментальная, очень обширная наука, включающая в себя множество разделов. Так же нельзя не отметить её огромное значение в жизни каждого человека и человечества в целом. Практически все экономические и политические процессы тем или иным образом связаны с математическими расчётами, а все остальные науки хотя и в разной степени, но связаны с математикой. Одним из разделов математики является линейная алгебра, с помощью которой происходит изучение объектов линейной природы, векторных (линейных) пространств и т.д.
Первыми исследованиями в области линейной алгебры были решения системы линейных уравнений. Первым, кто уделил наибольшее внимание этой науке, был Готфрид Вильгельм Лейбниц, который в 1693 г. стал активно применять линейную алгебру на практике. В начале XX века линейная алгебра стала обязательным предметом для изучения в средних и высших образовательных учреждениях.
Что же используется в линейной алгебре? В первую очередь это решение систем линейных уравнений, составление матриц, нахождение детерминантов и изучение векторов и векторных пространств. Чтобы хоть немного вникнуть в сущность линейной алгебры, нужно знать значение основных понятий этого раздела.
Матрица – математический объект, который записывают в виде прямоугольной таблицы элементов, которая представляет собой совокупность строк и столбцов, на пересечении которых находятся её элементы. Количество строк и столбцов матрицы задают её размер.
Система линейных уравнений – это объединение m линейных уравнений, каждое из которых содержит n переменных. Записывается в виде:
,
Вектор – направленный отрезок, который можно перемещать в пространстве параллельно самому себе, так же вектор – это элемент некоторого непустого множества, на котором определены две операции: сложение и умножение векторов на вещественные числа.
Векторное пространство – это математическая структура, которая представляет собой множество векторов, для которых определены операции сложения векторов между собой и умножение на число. Если под множеством векторов понимать элементы любой природы, то множество называется линейным пространством.
Нельзя не отметить, что все эти понятия используются не только в линейной алгебре, но и в других сферах, например, в экономике. Так как экономический анализ практически всегда сопровождается математическими подсчётами количественных изменений, линейная алгебра неразрывно связана с ней, хотя это и две разные области знаний, которые имеют разные предметы изучений. Наиболее распространённый метод решения экономических задач – составление матриц, которые имеют широкое применение в экономических исследованиях, так как большинство реальных экономических ситуаций удобно описывать простой и компактной матричной форме.
Например: дана таблица средних розничных цен на автомобили в зависимости от срока их службы и года выпуска.
Продолжительность службы (годы)
Годы выпуска автомобилей
Линейная алгебра
Курс нацелен на формирование навыков решения конкретных задач высшей математики из разделов: общая алгебра, системы линейных уравнений, матрицы, элементы линейной алгебры и аналитической геометрии, векторная алгебра, линейные пространства и их преобразования. При освоении курса студент осваивает стандартные методы и модели аналитической геометрии и векторной алгебры с целью их применения к решению конкретных задач. осваивает базовые приемы решения задач и использует их при исследовательской деятельности. Изучение данной дисциплины базируется на математических дисциплинах программы средней общеобразовательной школы. Для освоения учебной дисциплины студенты должны владеть следующими знаниями и компетенциями: знать основные теоремы из курса геометрии средней школы; обладать навыками решения тригонометрических задач; уметь решать задачи из курса алгебры средней школы. Основные положения дисциплины могут быть использованы в дальнейшем при изучении последующих дисциплин, а также в проектной и исследовательской работе студента, и в будущей научно-исследовательской деятельности выпускника.
Цель освоения дисциплины
Овладение теоретическими основами линейной алгебры и аналитической геометрии.
Приобретение навыков использования стандартных методов и моделей аналитической геометрии и векторной алгебры и их применением к решению конкретных задач.
Формирование умения применять изученные методы и алгоритмы к реальным задачам прикладного характера.
Формирование представления об алгоритмической сложности постановки решения задач общей и линейной алгебры.
Планируемые результаты обучения
Владеет понятиями и методами векторной алгебры, умеет проводить линейные операции над векторами, определять линейную зависимость системы векторов. Понимает геометрический смысл скалярного, векторного и смешанного произведений.
Умеет выполнять основные операции с матрицами, вычислять ранг и определитель, проводить элементарные преобразования.
Владеет аппаратом исследования системы линейных алгебраических уравнений. Знает основные методы решения уравнений и умеет применять их на практике.
Умеет анализировать уравнения линий и поверхностей первого и второго порядка в трехмерном пространстве.
Понимает аксиоматику алгебраических структур, умеет проводить операции в поле комплексных чисел, владеет основными понятиями алгебры многочленов.
Понимает аксиоматику линейных пространств, умеет применять понятия линейной зависимости векторов и базиса, применяет эти знания при решении задач.
Имеет четкое представление о понятии линейного преобразования. Умеет находить матрицы оператора в различных базисах. Понимает определение собственных подпространств оператора и умеет находить собственные значения и собственные векторы линейного оператора.
Знает определение билинейных и квадратичных форм, умеет приводить квадратичные формы к каноническому виду, умеет выяснять знакоопределенность квадратичной матрицы.
Содержание учебной дисциплины
Векторная алгебра
Определение вектора в трехмерном пространстве. Линейные операции с векторами. Линейная зависимость векторов. Декартова прямоугольная система координат. Скалярное произведение векторов. Ориентация тройки базисных векторов. Векторное произведение векторов. Смешанное произведение векторов. Выражение векторного и смешанного произведения через компоненты сомножителей в ортонормированном базисе. Условия коллинеарности и компланарности векторов. Площадь параллелограмма. Объем параллелепипеда.
Матрицы и определители
Определение матрицы. Линейные операции над матрицами. Транспонирование матриц. Определение детерминанта. Свойства детерминантов. Вычисление детерминантов. Миноры произвольного порядка. Формула разложения детерминанта по элементам матрицы. Умножение матриц Свойства умножения матриц. Обратная матрица. Единственность обратной матрицы. Ранг матрицы. Понятие базисного минора. Приведение матрицы к заданному каноническому виду. Теорема о базисном миноре.
Системы линейных уравнений
Система линейных уравнений и ее решение. Формулы Крамера для квадратной системы линейных уравнений. Общая теория систем линейных уравнений. Теорема Кронекера-Капелли. Исследование произвольной совместной системы. Укороченная система эквивалентная данной. Приведенная система. Множество решения однородной системы. Общее решение системы линейных уравнений. Фундаментальная система решений. Общее решение. Связь между общими решениями неоднородной системы и соответствующей ей однородной системы. Метод Гаусса решения системы линейных уравнений.
Элементы аналитической геометрии
Линии первого порядка и поверхности в пространстве. Параметрические уравнения прямой и плоскости. Векторные уравнения плоскости и прямой. Признаки параллельности плоскостей и прямых на плоскости. Уравнения прямой в пространстве. Уравнение прямой, проходящей через две точки. Уравнение плоскости, проходящей через три точки. Признаки параллельности прямой и плоскости. Расстояние от точки до плоскости. Расстояние от точки до прямой. Расстояние между параллельными прямыми в пространстве. Угол между плоскостями и между прямыми. Пучок прямых. Канонические уравнения кривых второго порядка на плоскости. Эллипс, гипербола и парабола.
Элементы общей алгебры
Множества и отображения. Понятие группы, кольца, поля. Примеры групп. Подгруппы. Нормальные делители, фактор-группы, гомоморфизмы. Прямые суммы абелевых групп. Изоморфизм колец (полей). Поле комплексных чисел. Комплексные числа в тригонометрической форме. Линейная алгебра и алгебра многочленов над произвольным полем.
Линейные пространства
Определение линейного пространства. Примеры линейных пространств. Линейная зависимость. Базис и размерность линейного пространства. Преобразование координат при замене базиса. Матрица перехода. Преобразование координат вектора при замене базиса. Линейные подпространства и линейные оболочки линейного подпространства. Примеры линейных оболочек. Теоремы о размерности подпространства и линейной оболочки. Изоморфизм линейного пространства.
Линейные операторы
Линейные преобразования и линейные операторы. Матрица линейного оператора, ее преобразование при переходе к новому базису. Понятие ядра отображения. Инъективные и сюръективные отображения. Изменение матрицы линейного преобразования при замене базиса. Собственные вектора и собственные значения линейного оператора. Характеристический многочлен. Необходимое и достаточное условие диагонализуемости матрицы линейного оператора. Линейные операторы простой структуры. Нормальные формы Жордана. Понятие о линейных функциях.
Билинейные и квадратичные формы
Билинейные и квадратичные формы. Матрица билинейной и квадратичной форм. Приведение квадратичной формы к каноническому виду. Знакоопределенные квадратичные формы. Критерий Сильвестера.
Элементы контроля
неблокирующий Контроль активности студента на занятии
Под Контролем активности студента на занятии подразумевается: а) самостоятельное решение и объяснение задач текущей темы у доски студентом перед своей группой; в) качество выполнения домашнего задания (проверяется преподавателем у каждого студента в отдельности ).
неблокирующий Текущая успеваемость
неблокирующий Промежуточный экзамен
Письменная работа 30 минут (10 вопросов). Пересдача проводится в период пересдач.
неблокирующий Самостоятельная работа на занятиях
Учитывается оценка контроля активности с коэффициентом 0.4 и средняя оценка текущей успеваемости с коэффициентом 0.6
неблокирующий Контрольная работа 2
Письменная работа 80 минут. В случае неудовлетворительной оценки студент допускается до пересдачи работы в срок, установленный преподавателем для всего потока, не позднее двух недель со дня проведения контроля, результат — зачет (4 балла), незачет (полученная ранее оценка).
неблокирующий Контрольная работа 3
Письменная работа 80 мин. В случае неудовлетворительной оценки студент допускается до пересдачи работы в срок, установленный преподавателем для всего потока, не позднее двух недель со дня проведения контроля, результат — зачет (4 балла), незачет (полученная ранее оценка).
неблокирующий Итоговый экзамен
Тестовая письменная работа 30 минут. Пересдача проводится в период пересдач.
неблокирующий Контрольная работа 1
Письменная работа 80 мин. в первом модуле. В случае неудовлетворительной оценки студент допускается до пересдачи работы в срок, установленный преподавателем для всего потока, не позднее двух недель со дня проведения, результат — зачет (4 балла), незачет (полученная ранее оценка).
Промежуточная аттестация
Промежуточная аттестация (1 модуль)
0.7 * Контрольная работа 1 + 0.2 * Промежуточный экзамен + 0.1 * Самостоятельная работа на занятиях
Промежуточная аттестация (3 модуль)
0.2 * Итоговый экзамен + 0.25 * Контрольная работа 2 + 0.25 * Контрольная работа 3 + 0.2 * Промежуточная аттестация (1 модуль) + 0.1 * Самостоятельная работа на занятиях
Список литературы
Рекомендуемая основная литература
Беклемишев Д.В. — Курс аналитической геометрии и линейной алгебры: учебник — Издательство «Лань» — 2020 — 448с. — ISBN: 978-5-8114-4748-0 — Текст электронный // ЭБС ЛАНЬ — URL: https://e.lanbook.com/book/126146
Беклемишева Л.А., Беклемишев Д.В., Петрович А.Ю. — Сборник задач по аналитической геометрии и линейной алгебре: учебное пособие — Издательство «Лань» — 2019 — 496с. — ISBN: 978-5-8114-4577-6 — Текст электронный // ЭБС ЛАНЬ — URL: https://e.lanbook.com/book/122183
Рекомендуемая дополнительная литература
Алгебра, [учебное пособие], 3-е изд., стер., 144 с., Гельфанд, И. М., Шень, А., 2014
Краткий курс аналитической геометрии: Учебник/ Ефимов Н. В., 14-е изд., исправ. — М.: ФИЗМАТЛИТ, 2014. — 240 с.: 60×90 1/16 (Переплёт) ISBN 978-5-9221-1419-6, 500 экз. — Режим доступа: http://znanium.com/catalog/product/537806
Курс аналитической геометрии и линейной алгебры, учебник, 15-е изд., стер., 444 с., Беклемишев, Д. В., 2017
Линейная алгебра и аналитическая геометрия, учебник, 3-е изд., перераб. и доп., 392 с., Ильин, В. А., Ким, Г. Д., 2014
Сборник задач по аналитической геометрии и линейной алгебре, учебное пособие, под ред. Д. В. Беклемишева, 5-е изд., стер., 495 с., Беклемишева, Л. А., Беклемишев, Д. В., Петрович, А. Ю., Чубаров, И. А., 2017