matlab-optimize-performance

MATLAB 性能优化工作流

用于查找和修复 MATLAB 代码性能瓶颈的系统化 7 步工作流。

适用场景

• 用户要求加快或优化 MATLAB 代码
• 用户想找出 MATLAB 代码运行缓慢的原因
• 用户的函数或脚本运行时间过长
• 用户要求对 MATLAB 代码进行基准测试或计时
• 用户想比较更改前后的性能
• 用户询问 MATLAB 性能最佳实践

不适用场景

• 优化 Simulink 模型仿真速度（使用 Simulink Profiler）
• 瓶颈位于无法在 M 代码层面更改的已编译 C/MEX 代码中
• 性能问题纯粹受 I/O 限制（文件读取、网络、数据库）
• 用户想编写性能测试（使用 writing-matlab-perf-tests 技能）

7 步工作流

第 1 步：建立基准

测量当前性能，以便有一个可供改进的数值基准。

针对单个函数：

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

针对 GPU 代码：

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

针对脚本或多步骤工作流：

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

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

推荐使用 timeit，因为它会自动预热并运行多个样本。

第 2 步：分析性能

找出实际耗时所在。不要猜测，务必进行性能分析。

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

查看性能分析器结果：

1. 函数摘要——显示每个函数的总耗时和自身耗时。自身耗时是函数本身（不包括其被调用函数）所花费的时间。首先查看自身耗时最高的函数。
2. 逐行详情——点击函数名称，查看每一行的耗时。这会揭示确切的瓶颈行。
3. 调用次数——被调用数千次或数百万次的函数是优先优化目标。

提示：

• 如果代码运行很快，请在循环中多次运行经过性能分析的代码，以便性能分析器收集足够的样本
• 查看自身耗时，而非总耗时，以找到真正的瓶颈
• 深入分析函数；摘要页面只能呈现部分情况

第 3 步：识别优化机会

根据性能分析结果，判断适用哪些模式。完整列表请参阅 references/optimization-patterns.md。

高影响模式：

模式	典型加速比	查找内容
向量化	2–200 倍	对数组执行逐元素计算的循环
预分配	2–100 倍	在循环中不断扩大的数组（x = [x; newRow]）
避免不必要的重复计算	2–50 倍	多次计算相同的高开销表达式
discretize/histcounts	2–50 倍	对数据进行分箱或分类的循环
持久缓存	1.5–95 倍	重复调用 load() 或创建高开销对象
逻辑索引	1.2–5 倍	仅为对数组进行索引而使用 find()
arguments 块	1.1–1.8 倍	使用 inputParser 的函数
代数化简	1.5–3 倍	多余的 sqrt、abs 或矩阵运算

优化前，先确认目标是否值得优化：

• 自身耗时是否超过总耗时的 10%？如果没有，优化它的作用不会很大。
• 它是否在紧密循环中调用？高调用次数 × 短耗时 = 高总耗时。
• 它是 M 代码还是内置函数？你无法让内置函数运行得更快，但通常可以减少调用次数（例如，将矩阵传给 filtfilt/filter，而不是循环处理各列）。

第 4 步：实施优化

应用第 3 步中识别的模式。完整模式列表及优化前后代码示例请参阅 references/optimization-patterns.md。

一般原则：

• 从性能分析中影响最大的模式开始
• 将循环中的不变工作移到循环外（对象创建、选项解析、常量表达式）
• 尽可能用数组运算替代逐元素循环
• 使用专用函数（discretize、cumsum、hypot），而非手写等效实现
• 处理大型数据时，分批进行向量化以控制内存使用（参见目录中的模式 9）

示例——将不变工作移到循环外：

% 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

步骤 5：测量优化后的性能

使用与步骤 1 相同的方法重新测量：

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

加速比达到 1.2x 或更高才算显著。低于此值时，测量噪声会让人难以确信这项改动确实带来了提升。

步骤 6：验证正确性

每项优化都必须产生与原始版本相同的结果：

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!');

对于非数值输出：

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

如果结果因浮点运算顺序改变（例如，以不同顺序求和）而略有差异，通常可以接受。请记录预期的容差。

步骤 7：报告结果

总结所做的改动及其带来的提升：

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);

进行多项优化时，请分别报告每项优化的加速比，以及端到端的整体提升。

关键规则

1. 优化前务必先分析性能——不要猜测瓶颈所在
2. 一次只做一项改动——每次优化后都进行测量，以确定哪些改动有效
3. 验证正确性——每项优化都必须产生等效输出
4. 1.2x 阈值——低于 1.2x 的加速比无法与噪声可靠地区分
5. GPU 计时——在 GPU 代码计时前后务必执行 wait(gpuDevice)
6. 使用 timeit——它会处理预热和平均；基准测试应避免直接使用 tic/toc

常见错误

错误	问题所在	正确做法
未进行性能分析就优化	你可能会改错地方	先分析性能（步骤 2）
未预热就单次使用 tic/toc	会计入 JIT 编译时间	使用 timeit，或添加一次预热调用
未同步就测量 GPU 代码	GPU 操作是异步的；toc 会提前触发	前后都执行 wait(gpuDevice)
在循环中扩展数组	每次追加都会复制整个数组	在循环前预分配
盲目对超大数组进行向量化	可能超出内存限制	处理大型数据时使用分块处理
只报告子函数的加速比	如果子函数仅占总耗时的 5%，这样的报告会产生误导	务必报告端到端计时结果
认为速度更快就代表正确	错误可能让代码变快（例如跳过了某些工作）	务必验证结果是否一致（步骤 6）

参考文件

• references/optimization-patterns.md — 优化模式完整目录，包含代码示例和测得的加速比
• references/measurement-templates.md — 各工作流步骤可直接使用的 MATLAB 脚本模板

版权所有 2026 The MathWorks, Inc.