MATLAB語言是一種被稱為是“演算紙”式的語言，因此追求的是方便性、靈活性以及交互性。在快速性上要比C語言這種性能強勁著稱的稍遜一籌。然而，通過一些手段，我們也能讓MATLAB語言快起來，甚至和C差不多了!

　　首先聲明：本文是一個初級教程，因此很多知識是假定你已經很熟悉了的;雖然我在討論讓代碼飛起來，但從來不會說最快有多快，究竟有多快你要自己感覺;作者水平不是很高，難免誤導你，小心甄別。

　　在正式討論之前，先看看這些好習慣你有沒有?

　　1. 使用 M-Lint

　　M-Lint是一個代碼分析檢查工具，它在你寫代碼的過程中實時交互，發(fā)現(xiàn)你代碼的問題，按照最佳性能和最可維護性給出修改建議。

　　注意：我可沒說是最正確!

　　如果沒有激活這個功能，依次使用File > Preferences > M-Lint，勾選Enable integrated M-Lint warning and error messages 。同時，還可以設定你的偏好。

　　激活后，在你寫代碼時就會實時交互了，錯誤的或者不推薦的部分會以紅色下劃線標出，鼠標經過紅色下劃線的語句或單詞，M-Lint給出提示信息。想一下子看遍全部提示信息。使用Tools >M-Lint > (Save and) Show M-Lint Report2。

　　注：首次“觀看”先提示先保存一下。

　　2. 組織

　　給每一個項目(project)建立一個單獨的文件夾。同屬于一個項目的文件保存在哪兒的都有，你找的時候就不費勁嗎!

　　寫頭部注釋，尤其是H1。第一行就是H1。MATLAB中的內置函數(shù)的 help的內容其實就是讀取的這個函數(shù)的頭部注釋。怎么寫，參照MATLAB內置函數(shù)。

　　將經常用到的控制臺命令存儲為腳本(script)。如果有些命令反復使用，還是存為腳本吧，沒別的意思，你要少敲多少次鍵盤啊!

　　3. 避免數(shù)據(jù)丟失

　　不要在腳本中使用 clear all。不幸的是這是一個大家常用的命令，有些書上還作為一條規(guī)則確立起來，建議必須使用!要知道這個命令一執(zhí)行，工作空間的數(shù)據(jù)可就不可逆轉的全沒了啊!

　　警告：注意呦! 

　　小心同名覆蓋。如果你在一個文件中，本來你的意思是兩個變量，你卻給他們起了相同的名字，那么第一次的數(shù)據(jù)可就沒了。比如：

result=max(a,b); %想求 a和 b之較大者  
result=max(c,d); %想求 c 和d之較大者 

　　result結果是什么?恐怕不是你想要的。不妨將其改為result1和 result2。類似的，也要小心文件重名的覆蓋，這個后果貌似更嚴重些。

　　下條內容請重視！

　　如何讓 MATLAB崩潰。

　　盡管 MATLAB是很穩(wěn)定的，但是我們仍然可以讓它崩潰!使用第三方的MEX函數(shù)或者耗內存的操作比如視頻處理或者超大規(guī)模矩陣都可能會造成MATLAB崩潰。

#p#

　　如果你已經有這些好習慣，那么恭喜，你要是還有其他好習慣麻煩也告訴我一聲!如果沒有，相信你看完之后總該有了吧?好了，我們開始!

　　1.使用profile

　　profile，Longman 給出的解釋是：a short description that gives important details about a person, a group of people, or a place。

　　MATLAB中內置了一個叫做profile的工具，來協(xié)助評估程序,也就是對程序運行過程的一個short description吧。主要命令有：

　　profile on 開啟

　　profile off 關閉

　　profile clear 清空數(shù)據(jù)

　　profile viewer 在profiler中看結果

　　下面我們評估一下下面這個函數(shù)：

function result =example1(count)   
for k = 1:count   
        result(k) = sin(k/50);   
       
        if result(k)<-0.9   
           result(k) = gammaln(k);   
        end   
end  

　　為了分析這個函數(shù)的效率，首先開啟并清空 profiler，然后運行這個函數(shù)，接下來看結果報告。即依次輸入:

>> profile on, profile clear   
>> example1(5000);   
>> profile viewer 

　　這就是 profile 的基本語法。也有使用鼠標操作的方法，這里就不介紹了，那樣雖然直觀單遠不及使用，命令方便。

　　由于系統(tǒng)的不同，報告的結果一般是不一樣的。以下是我的系統(tǒng)得出的結果。

　　1.先看profile summary:

　　2.點擊example1鏈接，進入具體各小項的評估。

　?。?）調用函數(shù)(children)、被調用函數(shù)(parents)。本例中都沒有。如果被 profile 的對象有調用函數(shù)或者被調用函數(shù)的話，會給出相應的數(shù)據(jù)。

　?。?）時間在哪些行被消耗(Lines where the most time was spent):

　　從數(shù)據(jù)中我們可以看出哪些行消耗了多少時間(總時間和相對時間)，被調用了多少次，以及直觀的柱形圖。

　?。?）另一個有用的項目是 M-Lint 結果，給出了錯誤(警告、提示)所在的行，以及對應的建議修改信息，這些建議對代碼的改進是很有價值的信息：

　?。?）最下面還有一個函數(shù)列表，是（2）的另一種形式?？磮D：

　　最右側是函數(shù)代碼，前有行號、每一行調用的次數(shù)和小號的時間。消耗時間最多的行被標示了出來。最紅的消耗時間最多。

　　profiler工具的時間分辨率不是很高，因此，如果你的代碼運行的時間很短，有時候恐怕不能感知到。這時候不妨人為的加入幾個循環(huán)，讓程序所運行幾次，然后進行分析。

　　必須指出，profile工具的作用主要是分析程序，獲得程序運行的信息。如果想要知道程序運行的精確時間，使用計時器 tic/toc。以上面程序為例,在命令行輸入：

>> tic;example1(5000);toc 

　　輸出是：

Elapsed time is 0.058522 seconds. 

　　為了獲得更為精準的結果，你最好把瀏覽器、殺毒軟件、防火墻等等占用CPU時間片的程序先關了，只剩下不能關掉的系統(tǒng)進程。

　　注意：profile在新版本中不斷被加強，可使用的參數(shù)也越來越多，不過大多數(shù)根本用不著，如果你覺得那些參數(shù)很有用，我相信你根本用不找看我這個小冊子了，要真是這樣，麻煩您不吝賜教，分享一些經驗。更詳細的內容，您還是去看文檔去吧!

#p#

　　2. 預分配矩陣

　　MATLAB中的矩陣變量可以動態(tài)增長行和列。比如：

>>x=2   
x=   
2   
>>x(2,3)=1   
x=   
2   0   0   
0   0   1  

　　看到沒?MATLAB自動調整了矩陣的大小!從內部實現(xiàn)上看，矩陣數(shù)據(jù)存儲單元被重新分配了更大的單元。如果矩陣的大小被反復的調整(比如在循環(huán)中)，重新分配存儲空間帶來的額外開銷會是很顯著的。為了避免反復的矩陣存儲重新分配，預分配矩陣的存儲單元是一個不錯的選擇。一個推薦的方法是使用 zeros 函數(shù)命令?？聪旅娴拇a：

a(1) = 1;   
b(1) = 0;   
for k = 2:8000   
a(k) = 0.99803 * a(k-1)-0.06279 * b(k-1);   
b(k) = 0.06279 * a(k-1) + 0.99803 * b(k-1);   
end   
tic/toc計時運行得到：   
Elapsed time is 0.013306 seconds.  

　　簡單分析上面的代碼，知道，每一次 for，矩陣 a 和 b 的大小都要被重新分配，最終的大小事 8000 的列向量。如果我們提前就給它們分配好大小為 8000的存儲空間，看看結果怎么樣：

a=zeros(1,8000);    %預分配矩陣存儲單元   
b=zeros(1,8000);   
a(1) = 1;   
b(1) = 0;   
for k = 2:8000   
a(k) = 0.99803 * a(k-1)-0.06279 * b(k-1);   
b(k) = 0.06279 * a(k-1) + 0.99803 * b(k-1);   
end   
及時運行得到：   
Elapsed time is 0.000753 seconds.  

　　看出來沒?速度提高了近 18 倍!像這種只需添加幾行代碼就能做到的情況是很多的。這個例子也有特殊性，就是最后的結果大小已知，如果結果的大小可變、未知呢?沒關系，我們可以估計一下，最終結果最大能是多少?比估計到的最大再留出一些余量就成了!如果你估計的還是不夠大，那超出的部分還要反復重新分配，不過這樣節(jié)省下來的時間也是很可觀的，畢竟可以少分配很多次了! 最后呢，還要處理一下后事，比如你分配給變量 a 有 1000 個單元，但最終它只占了300個，那你還要將那700個給收回來?？聪旅娴拇a：

a = zeros(1,10000);     %  預分配   
count = 0;   
for k = 1:10000   
v = exp(rand*rand);   
if v > 0.5        %  增長結果不確定的來源   
count = count + 1; a(count) = v;   
end   
end   
a = a(1:count);    %調整矩陣大小   
未預分配時：Elapsed time is 0.052395 seconds.   
預分配后：Elapsed time is 0.008935 seconds. 

　　感慨：些微時間的意義在哪呢?背后是你對 MATLAB 的理解深度。哥玩的不是時間，是技術。

#p#

　　3. 向量化

　　很多情況下，程序中的某些代碼可以被向量化，向量化前后的速度往往在10 倍以上!向量化是最基本和最有效的讓代碼快起來的技巧，我都不愿意在后面叫“之一”了。

　?。?）向量化的計算

　　很多常規(guī)函數(shù)都是向量化的，它們作用于數(shù)組時，就好像是作用于數(shù)組中的每一個元素。例如：

>> sqrt([1,4,9,16])   
ans =   
      1     2     3     4   
考慮下面的函數(shù)：   
function d = minDistance(x,y,z)    %尋找點集中距離遠點最近點   
nPoints = length(x);   
d = zeros(nPoints,1);    %  預分配   
for k = 1:nPoints    %  計算每一個點的距離   
d(k) = sqrt(x(k)^2 + y(k)^2 + z(k)^2);   
end   
d = min(d);    %  得到最小距離   
取  x=[1 2 3 4 5 6]; y=[2 3 5 2 1 4];z=[9 2 3 2 1 5];   
計時運行：Elapsed time is 0.008006 seconds. 

　　如果你寫出上面類似的代碼，說明你認真看了前面的內容。為d預分配空間確實為本例節(jié)省了不少時間。如果采用向量化計算，我們可以去掉for循環(huán)，直接計算向量。這里要隆重推出“.”運算符，它表示的是對應元素進行運算。有.*和./和.\和.'和.^等。分別表示不帶.運算的對應元素運算。假設A是方陣，A^2是矩陣的 2 次乘冪，而 A.^2 表示矩陣 A 中的元素各自求平方組成新的矩陣?？紤]下面的代碼：

function d = minDistance(x,y,z)   
d = sqrt(x.^2 + y.^2 + z.^2);    %  計算每一點的距離   
d = min(d);     
計時運行：   
Elapsed time is 0.005326 seconds. 

　　貌似差別不大?這就對了，別忘了，咱可就計算了6個值啊!這么幾個值就有了這樣的差距，那x、y、z向量要是大一點，結果的差異就可想而知了!

　　更進一步的，我們可以使用d = sqrt(min(x.^2 + y.^2 + z.^2))取代后兩行語句，讓程序更加簡潔。

　　一下函數(shù)使用向量化的計算會更為節(jié)省時間：min, max, repmat, meshgrid,sum, diff, prod等等。

　　（2）向量化邏輯

　　上面討論了計算的向量化，其實MATLAB的邏輯運算也是向量化的。比如：

>> [1 4 2]>[2 3 1]   
ans =   
      0     1     1 

　　兩個數(shù)組“按元素”進行比較。向量的邏輯操作返回二進制的邏輯結果向量，即用0代表假，用1代表真。這為什么有用呢?因為MATLAB中有一些強勁的針對邏輯向量的函數(shù)。例如：

>> find([1,5,3] < [2,2,4])     
ans =   
1      3   
>> any([1,5,3] < [2,2,4])     
ans =   
1   
>> all([1,5,3] < [2,2,4])     
ans =   
0 

　　其實，對一般向量(非邏輯向量)也是適用的!

>> find(eye(4)==1)   
ans =   
      1   
      6   
     11   
     16 

　　以上函數(shù)的用法請自己查閱函數(shù)說明。

#p#

　　4. 示例

　　（1）向量歸一標準化

　　將一個向量v歸一標準化，我們可是使用v = v/norm(v)，norm函數(shù)的作用是求模(范數(shù))。

　　如果對一組向量 v(:,1), v(:,2),…進行歸一標準化，可以使用一個循環(huán)計算v(:,k)/norm(v(:,k))。更好的策略是向量化計算：

vMag = sqrt(sum(v.ˆ2));   
v = v./vMag(ones(1,size(v,1)),:); 

　?。?）剔除元素

　　有時候，我們需要將矩陣中的符合某些條件的元素剔除，當然可以使用條件判斷加循環(huán)。我們使用向量化剔除矩陣中的NaN和無窮兩類數(shù)：

i = find(isnan(x) | isinf(x));   %在x中找到符合條件的數(shù)的位置   
x(i) = [];    %剔除它   
或者，同樣的功能：   
i = find(˜isnan(x) & ˜isinf(x));     %找到不符合的數(shù)   
x = x(i);     %保留它   
進一步的，我們可以更加簡化，省略中間變量：   
x(isnan(x) | isinf(x)) = [];     
以及   
x = x(˜isnan(x) & ˜isinf(x)); 

　?。?）分段函數(shù)

　　信號分析中十分重要的 sinc(x)函數(shù)是分段的：x=0 時的值是 1，x!=0 時，sinc(x)=sin(x)/x。下面的代碼使用向量化方法處理分段：

function y = sinc(x)   
y = ones(size(x));          %  先設所有的y都是1   
i = find(x ˜= 0);          %  找到非零x值   
y(i) = sin(x(i)) ./ x(i);      %  計算非零值處的函數(shù)值   
更簡潔的，可以寫成：   
y = (sin(x) + (x == 0))./(x + (x == 0)) 

　　能看出來嗎?里面用到了邏輯運算，實在是巧妙的很!

　?。?）其他

　　還有些不常用的，算了，知道也八輩子用不著，珍惜腦細胞吧!

　　感慨：向量、矢量、相量、復數(shù)、數(shù)組、矩陣，這些名詞能分清楚么?能分清楚知道內涵也就是為什么要這樣規(guī)定么?不會也別問我!

#p#

　　5. 內嵌簡單函數(shù)

　　內嵌函數(shù)的意思就是將函數(shù)調用的函數(shù)的代碼直接寫到這個函數(shù)里面來。由于函數(shù)調用要做保護現(xiàn)場以及恢復現(xiàn)場等工作，也會額外增加一些時間消耗。如果調用的次數(shù)不是很多，這些時間是可以忽略的，但是當調用次數(shù)很多的時候(比如500次)，這個時間就很可觀了!

　　什么樣的被調用函數(shù)適合內嵌呢?正如標題所說，是簡單的函數(shù)，特征呢就是這個函數(shù)只有幾行代碼。如果這個函數(shù)很復雜，代碼很長，還是死了這個心吧，內嵌是內嵌了，可是你看不懂代碼了，得不償失。程序的可讀性是非常重要的!

　　注意：必須是 M-File 實現(xiàn)的函數(shù)才能內嵌!

　　下面的代碼演示一個反復調用median函數(shù)的內嵌方法。原代碼：

y = zeros(size(x));      %  預分配   
for k = 3:length(x)-2   
y(k) = median(x(k-2:k+2));   
end   
取  x=rand(1,2500);   
計時運行：Elapsed time is 0.030949 seconds. 

　　下面我們試試內嵌。首先，要研究一下你要內嵌的函數(shù)，本例中就是median。在命令行中輸入：edit median，發(fā)現(xiàn)它是使用sort進行工作的。將核心代碼內嵌：

y = zeros(size(x));     
for k = 3:length(x)-2   
tmp = sort(x(k-2:k+2));   
y(k) = tmp(3); ;   
end   
仍取x=rand(1,2500);   
計時運行：Elapsed time is 0.011379 seconds. 

　　以上就是一個演示，可見時間確實省去了不少。為了確認你想內嵌的函數(shù)是否是用M-File實現(xiàn)的，你可以使用“edit 函數(shù)名”命令試試看。

【編輯推薦】

1. MATLAB寶典(第3版)
2. 精通MATLAB圖像處理
3. MATLAB語言常用算法程序集
4. VC++與MATLAB混合編程及其應用