matlab大观园网,优化MATLAB程序的技巧

如果我们只求出其中前有限项，比如 100,000 项之和 (要精确地求出级数的和，无需求 100000

项，几十项往往就能得出满意的精度。这里主要是为了演示循环运算向量化的优越性。),则可以采用下面的常规语句进行计算

>> tic, s=0;

for i=1:100000, s=s+(1/2^i+1/3^i); end, s,toc

s =

1.5000

elapsed_time =

1.9700

如果采用向量化的方法，则可以得出下面结果。可以看出，采取向量化的方法比常规循环运算效率要高得多。

>> tic, i=1:100000;

s=sum(1./2.^i+1./3.^i), toc

s =

1.5000

elapsed_time =

0.3800

(2)在必须使用多重循环的情况下，如果两个循环执行的次数不同，则建议在循环的外环执行循环次数少的，内环执行循环次数多的。这样也可以显著提高速度。

〖例3.20〗考虑生成一个 5x10000 的 Hilbert 长方矩阵，该矩阵的定义是其第 i 行第 j 列元素为

h_{i,j}=1/(i+j-1)。我们可以由下面语句比较先进行 i=1:5

的循环和后进行该循环的耗时区别，其效果和前面分析的是一致的。

>> tic

for i=1:5

for j=1:10000

H(i,j)=1/(i+j-1);

end

end

toc

elapsed_time =

8.6800

>> tic,

for j=1:10000

for i=1:5

J(i,j)=1/(i+j-1);

end

end

toc

elapsed_time =

25.7000

大型矩阵的预先定维

给大型矩阵动态地定维是个很费时间的事。建议在定义大矩阵时，首先用 MATLAB 的内在函数，如zeros() 或 ones()

对之先进行定维，然后再进行赋值处理，这样会显著减少所需的时间的。

再考虑例 3-20 中的问题，如果输入下面的命令

>> tic

H=zeros(5,10000);

for i=1:5

for j=1:10000

H(i,j)=1/(i+j-1);

end

end

toc

elapsed_time =

1.0400

则采用预先定维的方法，再结合向量化的方法，我们可以给出下面的 MATLAB 语句。

>> tic

H=zeros(5,10000);

for i=1:5

H(i,

=1./[i:i+9999];

end

toc

elapsed_time =

0.060

可见，预先定维后，所需要的时间显著地减少了。可以看出，同样一个问题，由于采用了有效的措施，所需的时间就可以从 25.7 秒减少到

0.06 秒，亦即效率提高了 428 倍。

对二重循环这样的特殊问题，我们还可以使用 meshgrid() 函数构造两个 5x10000 矩阵 i 和 j,从而直接得出 H

矩阵，更进一步地加快速度。

>> tic, [i,j]=meshgrid(1:5,1:10000);

H=1./(i+j-1); toc

elapsed_time =

0

优先考虑内在函数

矩阵运算应该尽量采用 MATLAB 的内在函数，因为内在函数是由更底层的编程语言 C

构造的，其执行速度显然快于使用循环的矩阵运算。

采用有效的算法

在实际应用中，解决同样的数学问题经常有各种各样的算法。例如求解定积分的数值解法在 MATLAB

中就提供了两个函数 quad() 和

quad8(),其中后一个算法在精度、速度上都明显高于前一种方法。所以说，在科学计算领域是存在“多快好省”的途径的。如果一个方法不能满足要求，可以尝试其他的方法。

应用 Mex 技术

虽然采用了很多措施，但执行速度仍然很慢，比如说耗时的循环是不可避免的，这样就应该考虑用其他语言，如 C 或 Fortran 语言。按照

Mex 技术要求的格式编写相应部分的程序，然后通过编译联接，形成在 MATLAB 可以直接调用的动态连接库 (DLL)

文件，这样可以显著地加快运算速度。有关 Mex 技术及其应用的详细内容可参见第 7 章。

此外还有一段国外的Maximizing MATLAB Performance

介绍怎样优化加速matlab运算，自己查一下，需要练习才能掌握。

Maximizing MATLAB Performance This chapter describes techniques

that often improve the execution speed and memory management of

MATLAB code. It covers the following topics:

1.Techniques for Improving Performance. How to improve M-file

performance by vectorizing loops, preallocating arrays, etc.

2.Performance Acceleration. Some M-file coding practices to use,

and some to avoid, in getting the best performance out of

MATLAB.

3.Sample Accelerated ProgramsSample. M-file programs written to

maximize MATLAB code acceleration

4.Measuring PerformanceUsing the MATLAB Profiler utility to tune

your programs for optimal performance.

5. Making Efficient Use of MemoryConserving memory;

platform-specific memory handling, "Out of Memory" errors.