用过Matlab的同学应该都知道，Matlab的慢是出了名的，但是再慢也有优化的方式，下面我们给出几个Matlab编程中常用的优化技巧。

  在讲优化方法之前，首先要说的就是Matlab中用tic toc的方式来计算运行时间，这是个常识。当然，想统计具体的耗时，可以用profile工具。

1. 向量化操作

  这个应该是用过Matlab的同学都清楚的一点，Matlab中操作向量和矩阵的速度要比使用for循环的速度快很多，是因为其底层调用了高性能线性代数库BLAS库和LAPACK库。这个就不多说了。

2. 内存预分配

  在Matlab中我们可以定义一个空矩阵

mtx = [];

然后后面再给它加入一些数据，而且这个矩阵大小可以随着我们填入数据的多少而变化。像下面这个程序

tic
n = 1000;
mtrx = [];
init = 1.0;
for i = 1:n
    for j=1:n
        mtrx(i,j) = init + 1.0;
    end
end
toc

这个程序的运行时间是多久呢？在我电脑上是0.2秒。

  那这个程序有什么问题呢？就是我们没有为这个矩阵分配一个内存空间，而且在循环中，矩阵大小是变化的，这就导致每次循环时都浪费额外的时间去寻找满足需求的内存空间，将改变大小后的矩阵整体移动到这个新的内容空间中，并释放原来的内存空间，这除了会影响代码的运行效率，还容易形成内存碎片，让程序越来越难找到满足条件的内存。

  因此在循环前给矩阵预分配内存是很一个良好的习惯，如果没有这个习惯，你还可以通过Matlab自带的代码检查器来查看是否存在类似问题。

所以，我们应该把程序修改如下：

tic
n = 1000;
mtrx = zeros(n,n);
init = 1.0;
for i = 1:n
    for j=1:n
        mtrx(i,j) = init + 1.0;
    end
end
toc

这个程序只用了0.007秒的时间就运行完成了，可见它们的差距有多大。

3. 按列存储

  Matlab中默认是按列存储的，也就是说，列向量在内存中是连续排列的，对连续的数据做处理肯定是要快的，所以我们在定义向量时一般都会使用列向量。下面对比矩阵中对行做操作和对列做操作花费的时间。

n = 10000;
mtrx = rand(n,n);
mcol = zeros(n,1);
mrow = zeros(1,n);
tic
for i=1:n
    mcol(i) = sum(mtrx(:,i));
end
toc

我们对矩阵中的每一列都求和，总共用了0.17秒。

tic
for i=1:n
    mrow(i) = sum(mtrx(i,:));
end
toc

再对矩阵中的每一行求和，用了0.8秒。  
可以看出，对列操作比对行操作速度要快很多。

4. 数据类型

  在Matlab中，数据类型默认是double型，对使用者来说，无需太多关心数据类型当然是省心省力的，但这也带来了一个问题就是double型占用的内存较多，还有可能拖慢程序的运行速度。所以，在适当的情况下，我们可以把数据类型选择为逻辑型、字符型、整型等。但这样还需要注意的一点是，一个变量在改变数据类型时会消耗额外的时间，因此还不如重新建一个新变量。  
 高效编程的内容就先写这么多，后面还会继续补充。下面说一个Matlab调试中断点设置问题。在一个for循环中，比如for i=1:n，我们想在i=100的进入断点，这个时候应该怎么用？以前的时候我们都会这么写

for i=1:n
    if(i==100)
        pass
    end
end

  把断点设置在pass处，但其实不用这么弄。Matlab中提供了条件断点的设置方式。在循环中右键选择设置条件断点，如下图所示。

Figure 1. 条件断点设置1

在下面的窗口中填入条件即可，比如i==100。

Figure 2. 条件断点设置2

这样，当程序运行到i==100时就会进入断点，不需要自己再写额外的语句。