如何提高电脑运行速度_如何提高MATLAB程序运行速度

更新：鉴于看的人还不少，不得不严谨起来。所有代码写成函数，然后用timeit比较速度。

文中的代码测试环境为MATLAB R2019a，CPU为Intel 8700，睿频至4.3GHz。

1.预分配内存

对于MATLAB新手来说，这是最容易犯的错误之一。

MATLAB中的数组在使用之前不需要明确地定义和指定维数。当赋值的元素下标超出现有的维数时，MATLAB 就为该数组或矩阵扩维一次，这样就会大大降低程序的执行效率。因此，在循环前，预分配内存，可以有效提高程序执行速度。

function 

这种低级错误在循环次数很大时，运行时间会成倍增长。

2.优先使用built-in函数

MATLAB大部分内置函数是m文件，本身也是MATLAB程序，执行效率较低。但有一部分底层的基本函数是built-in函数，执行效率更高，如sum、max、find、exp、fft等等，优先使用built-in函数能够获得更快的执行速度。

一个例子是sum和mean函数，求数组平均值时，sum之后除以数组长度比直接调用mean函数快。

function 

判断一个函数是否是built-in function最直接的手段就是执行edit命令，如

edit 

编辑器会打开exp.m文件，里面没有代码，只有注释，清楚的写明这是一个built-in函数。

3.列优先

MATLAB继承了Fortan按列储存的特点，意味着按列计算时，内存命中率更高，速度更快。

function 

上述例子中，对矩阵按列做fft，比按行做fft快一倍。

4.使用局部函数

MATLAB调用函数时，需要搜索该函数并进行匹配，搜索的优先级按照如下:

• 变量
• import导入的包函数
• 当前函数内的嵌套函数
• 当前文件内的局部函数
• 私有函数
• 对象函数
• @文件夹中的类构造函数
• 加载的 Simulink模型
• 当前文件夹中的函数
• 路径中其他位置的函数

可以看到，搜索时，文件夹内的函数优先级时很低的，如果改用局部函数，则会更快地搜索该函数。

function 

5.稀疏矩阵

一个矩阵中，如果只有少量的非0值，则可以将其用稀疏矩阵来表示。稀疏矩阵仅记录了矩阵中的非0值。当矩阵的稀疏度足够大时，将矩阵转化成稀疏矩阵，可以降低内存占用空间，同时减少计算量。

function 

注意：若矩阵的稀疏度不大，强行转换成稀疏矩阵反而会导致内存占用空间变大，执行效率降低。

6.向量化编程

在新版本的MATLAB中，for循环的执行效率得到很大的提高，但是对于在for循环中进行一些复杂的操作，比如在for循环中改变数组的维数，向量化仍是提升MATLAB执行效率的有效手段。

这里举一个例子，有一个1e6*1的数组A，现在需要去掉数组中索引为1e3的倍数的数，形成一个9.99e5*1的数组。

function 

更新：为何不直接写成A(1e3:1e3:end)=[]的形式，主要是因为MATLAB对大数索引的效率比较低。这里也做一个对比。

function 

7.C/C++混合编程

8.并行计算parfor/spmd

9.GPU加速

10.分布式计算

11.终极方案

仅凭软件优化已经无法满足你的需求了，你需要寻求硬件上的升级，i7换至强，内存32G起，CPU/GPU/主板超频，更大规模的本地计算机集群，购买AWS或者Azure等等。

或者，课题组有钱的话，可以直接联系天河一号(天津)、天河二号(广州)、神威太湖之光(无锡)等等。

国家超级计算天津中心

国家超级计算广州中心 - 首页

国家超级计算无锡中心