matlab-optimize-performance

MATLAB パフォーマンス最適化ワークフロー

MATLAB コードのパフォーマンスボトルネックを特定して解消するための、体系的な7ステップのワークフローです。

使用する場面

• MATLAB コードの高速化や最適化を求められた場合
• MATLAB コードが遅い原因を調べたい場合
• 実行に時間がかかりすぎる関数やスクリプトがある場合
• MATLAB コードのベンチマークや実行時間の計測を求められた場合
• 変更の前後でパフォーマンスを比較したい場合
• MATLAB のパフォーマンスに関するベストプラクティスを尋ねられた場合

使用しない場面

• Simulink モデルのシミュレーション速度を最適化する場合（Simulink Profiler を使用してください）
• ボトルネックが、M コードレベルでは変更できないコンパイル済みの C/MEX コードにある場合
• パフォーマンスの問題が純粋に I/O に起因する場合（ファイル読み込み、ネットワーク、データベース）
• パフォーマンスのテストを作成したい場合（writing-matlab-perf-tests スキルを使用してください）

7ステップのワークフロー

ステップ1：ベースラインを確立する

改善の基準となる数値を得るために、現在のパフォーマンスを測定します。

単一の関数の場合：

f = @() targetFunction(input1, input2);
baseline = timeit(f);
fprintf('Baseline: %.4f s\n', baseline);

GPU コードの場合：

f = @() gpuFunction(gpuInput);
baseline = gputimeit(f);

スクリプトまたは複数ステップのワークフローの場合：

% Warmup run (first call includes JIT compilation)
myWorkflow(inputs);

% Timed run
tic;
myWorkflow(inputs);
baseline = toc;
fprintf('Baseline: %.4f s\n', baseline);

timeit はウォームアップを処理し、複数のサンプルを自動的に実行するため、推奨されます。

ステップ2：プロファイルして分析する

実際にどこで時間が使われているかを特定します。推測してはいけません。必ずプロファイルしてください。

profile on;
targetFunction(input1, input2);
profile off;
profile viewer;

プロファイラーの結果の読み方：

1. 関数の概要 — 関数ごとの合計時間と自己時間が表示されます。自己時間とは、その関数内で費やされた時間であり、呼び出し先の関数に費やされた時間は含みません。まず、自己時間が最も長い関数を確認します。
2. 行ごとの詳細 — 関数名をクリックすると、各行で費やされた時間を確認できます。これにより、ボトルネックとなっている具体的な行がわかります。
3. 呼び出し回数 — 数千回、数百万回と呼び出される関数は、最適化の有力な候補です。

ヒント：

• コードの実行が非常に速い場合は、プロファイラーが十分なサンプルを収集できるよう、ループ内で複数回実行します。
• 真のボトルネックを見つけるには、合計時間ではなく自己時間を確認します。
• 関数を詳しく調べます。概要ページだけでは全体像の一部しかわかりません。

ステップ3：最適化の機会を特定する

プロファイリング結果をもとに、該当するパターンを特定します。パターンの全一覧については、references/optimization-patterns.md を参照してください。

効果の大きいパターン：

パターン	典型的な高速化	確認する項目
ベクトル化	2–200x	配列に対して要素ごとの計算を行うループ
事前割り当て	2–100x	ループ内で配列を拡張している（x = [x; newRow]）
不要な再計算	2–50x	同じコストの高い式を複数回計算している
discretize/histcounts	2–50x	データのビニングや分類を行うループ
永続キャッシュ	1.5–95x	load() の繰り返しやコストの高いオブジェクト生成
論理インデックス	1.2–5x	配列のインデックス指定だけを目的に find() を使用している
arguments ブロック	1.1–1.8x	inputParser を使用している関数
代数的簡略化	1.5–3x	冗長な sqrt、abs、または行列演算

最適化の前に、対象が改善に値するか確認します。

• 自己時間は合計時間の10%を超えていますか？ そうでなければ、最適化しても効果はあまりありません。
• 頻繁に繰り返すループ内で呼び出されていますか？ 呼び出し回数が多く、1回あたりの時間が短くても、合計時間は大きくなります。
• M コードですか、それとも組み込み関数ですか？ 組み込み関数自体を高速化することはできませんが、呼び出し回数を減らせる場合があります（例：列ごとにループする代わりに、行列を filtfilt/filter に渡す）。

ステップ4：最適化を実装する

ステップ3で特定したパターンを適用します。前後のコード例を含む全一覧については、references/optimization-patterns.md を参照してください。

一般原則：

• プロファイリングで特定した、最も効果の大きいパターンから着手します。
• ループ内の不変な処理をループの外に移動します（オブジェクト生成、オプションの解析、定数式など）。
• 可能な場合は、要素ごとのループを配列演算に置き換えます。
• 手書きの同等処理ではなく、目的に特化した関数（discretize、cumsum、hypot）を使用します。
• 大規模なデータでは、メモリ使用量を抑えるためにベクトル化をバッチ処理します（一覧のパターン9を参照）。

例 — 不変な処理をループの外に移動する：

% Before: repeated expensive setup
for i = 1:n
    opts = optimoptions('fminunc', 'Display', 'off');
    result(i) = fminunc(@(x) cost(x, data(i)), x0, opts);
end

% After: setup once
opts = optimoptions('fminunc', 'Display', 'off');
for i = 1:n
    result(i) = fminunc(@(x) cost(x, data(i)), x0, opts);
end

ステップ 5：最適化後のパフォーマンスを測定する

ステップ 1 と同じ方法で再測定します。

f = @() optimizedFunction(input1, input2);
optimized = timeit(f);
speedup = baseline / optimized;
fprintf('Optimized: %.4f s (%.2fx speedup)\n', optimized, speedup);

1.2 倍以上の高速化は有意と見なされます。それ未満の場合、測定ノイズにより、変更の効果を確信するのが難しくなります。

ステップ 6：正しさを検証する

すべての最適化で、元のコードと同じ結果が得られる必要があります。

original = originalFunction(input1, input2);
fast = optimizedFunction(input1, input2);

% Numeric comparison (allows floating-point tolerance)
maxErr = max(abs(original(:) - fast(:)));
fprintf('Max error: %.2e\n', maxErr);
assert(maxErr < 1e-10, 'Results differ beyond tolerance!');

数値以外の出力の場合：

assert(isequal(original, fast), 'Results differ!');

浮動小数点演算の順序変更（例：合計する順序の変更）が原因で結果にわずかな差が生じる場合、通常は許容できます。許容誤差を明記してください。

ステップ 7：結果を報告する

実施した内容と達成した改善をまとめます。

fprintf('\n=== Performance Optimization Report ===\n');
fprintf('Target: %s\n', funcName);
fprintf('Baseline: %.4f s\n', baseline);
fprintf('Optimized: %.4f s\n', optimized);
fprintf('Speedup: %.2fx\n', speedup);
fprintf('Correctness: max error = %.2e\n', maxErr);
fprintf('Pattern applied: %s\n', patternName);

複数の最適化を行った場合は、それぞれの高速化と、エンドツーエンドでの全体的な改善を個別に報告してください。

重要なルール

1. 最適化の前に必ずプロファイリングする — ボトルネックの場所を推測しないでください
2. 一度に変更するのは 1 つだけ — 各最適化の後に測定し、効果があった変更を把握してください
3. 正しさを検証する — すべての最適化で同等の出力が得られる必要があります
4. 1.2 倍のしきい値 — 1.2 倍未満の高速化は、ノイズと確実に区別できません
5. GPU の計測 — GPU コードの計測前後には必ず wait(gpuDevice) を実行してください
6. timeit を使用する — ウォームアップと平均化を処理します。ベンチマークには生の tic/toc を使わないでください

よくある間違い

間違い	問題点	代わりに行うこと
プロファイリングせずに最適化する	間違った箇所を修正することになります	まずプロファイリングします（ステップ 2）
ウォームアップせずに 1 回だけ tic/toc を実行する	JIT コンパイル時間が含まれます	timeit を使うか、ウォームアップ用の呼び出しを追加します
同期せずに GPU コードを計測する	GPU 演算は非同期なので、toc が早く実行されます	実行前後に wait(gpuDevice) を実行します
ループ内で配列を拡張する	追加のたびに配列全体がコピーされます	ループの前に事前割り当てします
大きな配列をむやみにベクトル化する	メモリを超過する可能性があります	大きなデータにはチャンク処理を使います
サブ関数の高速化だけを報告する	サブ関数が全体の 5％を占める場合、誤解を招きます	エンドツーエンドの計測時間を必ず報告します
高速化すれば正しいと思い込む	処理を省略するなどのバグで、コードが高速になることがあります	結果が一致することを必ず検証します（ステップ 6）

参考ファイル

• references/optimization-patterns.md — コード例と測定済みの高速化を含む、最適化パターンの全カタログ
• references/measurement-templates.md — ワークフローの各ステップでそのまま使える MATLAB スクリプトのテンプレート

著作権 2026 The MathWorks, Inc.