MATLAB 揭秘：你可能不知道的 10 个实用技巧和原理

1. JIT 加速原理

MATLAB 使用 即时编译（JIT） 技术加速循环。虽然传统观念认为“向量化比循环快”，但现代 MATLAB 对循环优化极佳。例如以下代码与向量化操作速度相当：

   % 循环不再慢！（R2016b 及以上版本）
   sumVal = 0;
   for k = 1:1e6
       sumVal = sumVal + k;
   end

2. 隐藏的并行计算

即使没有 Parallel Computing Toolbox，MATLAB 也会自动使用多线程加速内置函数（如 svd, fft, mtimes）。通过以下命令查看：

   maxNumCompThreads % 查看当前线程数

3. 内存预分配的玄机

未预分配的矩阵扩展会导致性能暴跌：

   % 错误示范：每次循环重新分配内存
   data = [];
   for i = 1:10000
       data = [data, rand(1)]; % 速度极慢！
   end

   % 正确做法：预分配内存
   data = zeros(1, 10000);
   for i = 1:10000
       data(i) = rand(1); % 速度提升百倍
   end

4. 逻辑索引 VS find函数

逻辑索引 比 find 更高效：

   A = rand(1000);
   % 高效做法（省去临时索引）
   B = A(A > 0.5); 

   % 低效做法（生成额外索引）
   idx = find(A > 0.5);
   B = A(idx);

5. 函数句柄的性能优势

使用 函数句柄（@） 调用函数可避免重复解析：

   f = @sin;          % 创建函数句柄
   y = f(pi/2);       % 比直接调用 sin(pi/2) 更快（重复调用时）

6. accumarray 的妙用

分组统计时，accumarray 比循环快 10 倍以上：

   data = [1, 2, 3, 4];
   groups = [1, 2, 1, 2]; % 分组标签
   sumByGroup = accumarray(groups', data') % 分组求和：结果 = [4; 6]

7. 矩阵运算的底层优化

MATLAB 调用 BLAS/LAPACK 库 处理矩阵运算。例如 A\B（解方程）使用 Intel MKL 库，速度远超手写算法。

8. containers.Map：高效的字典类

替代 struct 或元胞数组的快速键值对容器：

   dict = containers.Map();
   dict('apple') = 3;
   dict('banana') = 5;
   dict('apple') % 输出: 3

9. ismember 的陷阱

默认 ismember 会排序，降低速度。使用 'rows' 选项处理大数据：

   A = randi(1e6, 1e6, 1); % 100万元素
   B = randi(1e6, 100, 1);
   % 高效做法（跳过排序）
   idx = ismember(A, B, 'rows');

10. 匿名函数的参数传递技巧

用额外参数“冻结”变量值：

   a = 2;
   b = 3;
   f = @(x) a*x + b;   % 匿名函数捕获当前 a,b
   f(4)                % 输出 11（即使之后修改a/b，函数内部不变）

MATLAB 原理揭秘

• 变量存储机制：所有变量均为 列优先存储（Fortran 风格），循环优先遍历列速度更快。
• 内存回收：MATLAB 使用 垃圾回收（GC） 机制，clear 命令不会立即释放内存，而是等待 GC 触发。
• 函数优先级：当重名时，调用顺序：当前目录 > 用户路径 > MATLAB 内置函数。

性能优化黄金法则

1. 避免在循环中改变变量类型
2. 用 profiler 分析瓶颈：命令行输入 profile on → 运行代码 → profile viewer
3. 稀疏矩阵：当矩阵 90% 为0时，用 sparse 节省内存。

% 示例：稀疏矩阵加速
A = sparse(1000,1000); 
A(500,500) = 1;        % 仅存储非零元素

? 实战建议：善用内置函数（如 bsxfun, cellfun）、向量化操作、预分配内存，可让 MATLAB 速度媲美 C++！