Linear Algebra Matrix Multiplication Benchmark

Este proyecto es una biblioteca de álgebra lineal desarrollada en Java diseñada para la manipulación y multiplicación eficiente de matrices. El enfoque principal es el benchmarking de diferentes estructuras de datos para matrices, comparando el rendimiento de representaciones densas frente a diversas representaciones dispersas (sparse).

Estructura del Proyecto

El sistema está organizado en módulos especializados para gestionar la complejidad de las operaciones matriciales:

1. Representaciones de Matrices (matrix/)

El proyecto implementa múltiples formas de almacenar matrices según su densidad de datos:

• DenseMatrix: Representación estándar para matrices con pocos valores cero.
• SparseMatrix: Clase base para matrices con alta presencia de ceros.
• Representaciones Optimizadas:
  • CompressedRowMatrix (CSR): Optimizado para acceso rápido por filas.
  • CompressedColumnMatrix (CSC): Optimizado para acceso rápido por columnas.
  • CoordinateMatrix (COO): Almacenamiento basado en ternas (fila, columna, valor).

2. Constructores y Carga (matrixbuilders/ & MatrixLoader)

• Builders: Implementaciones específicas para construir matrices de forma fluida (CSR, CSC, Sparse).
• MatrixLoader: Capacidad para cargar matrices reales desde archivos externos con formato .mtx (como los archivos 1138_bus.mtx y bcsstk17.mtx incluidos).

3. Motores de Multiplicación (operators/matrixmultiplication/)

El núcleo del benchmark reside en la comparación de algoritmos:

• DenseMatrixMultiplication: Algoritmos estándar para matrices densas.
• SparseMatrixMultiplication: Algoritmos optimizados que omiten operaciones con valores cero, reduciendo drásticamente el tiempo de cómputo en matrices dispersas.
• MatrixMultiplication: Interfaz unificada para ejecutar las operaciones.

Ejecución y Benchmarking

El flujo de ejecución está controlado por el Controller y la clase Main, que se encargan de:

1. Cargar las matrices de prueba desde los recursos.
2. Transformar las matrices a los diferentes formatos (CSR, CSC, Dense).
3. Ejecutar la multiplicación y medir los tiempos de ejecución para comparar la eficiencia de cada formato.

Tecnologías y Requisitos

• Lenguaje: Java
• Gestión de Proyectos: Maven (pom.xml incluido).
• Formatos Soportados: Matrix Market (.mtx) para la ingesta de datos de prueba.

---

Este proyecto demuestra cómo la elección de una estructura de datos adecuada (CSR vs CSC vs Dense) puede impactar críticamente en el rendimiento de los algoritmos de álgebra lineal.