如何高效堆叠n个数组并在矩阵栈中查找最接近给定矩阵的元素

一、高效堆叠n个数组A #

方法1：用repmat函数（最优方案） #

repmat是MATLAB专门用于数组重复的函数，完全避免循环扩容的性能损耗：

dim_count = numel(size(A)) + 1; % 确定要新增的堆叠维度位置
B = repmat(A, [ones(1, dim_count-1), n]);
% 示例：A为M×N二维数组时，等价于repmat(A, [1,1,n])，直接得到M×N×n的三维数组

方法2：reshape+repelem组合（适合超大规模数组） #

先将A转为向量重复n次，再重塑回目标维度：

A_vec = A(:);
B_vec = repelem(A_vec, n);
B = reshape(B_vec, [size(A), n]);

以上两种方法的性能远优于你提到的循环拼接、预分配后赋值的方案。

二、在堆叠矩阵S中找到与A最接近的子数组 #

假设S是M×N×k的堆叠矩阵（包含k个M×N的子数组），按以下步骤操作：

1. 计算每个子数组与A的距离 #

利用广播机制实现向量化运算，推荐用均方误差或绝对误差和作为距离指标：

% 均方误差（MSE）
distances = mean(mean((S - A).^2, 1), 2);
% 绝对误差和
distances = sum(sum(abs(S - A), 1), 2);

注：MATLAB会自动将A广播为与S同维度的数组，无需手动堆叠。

2. 定位距离最小的子数组 #

[~, closest_idx] = min(distances);
closest_array = S(:,:,closest_idx); % 提取最接近的子数组

三、B与A的点运算实现 #

直接利用MATLAB的广播机制即可，无需手动将A堆叠到与B同维度：

% 点乘运算
product_result = B .* A;
% 点除运算
division_result = B ./ A;

MATLAB会自动将A扩展为与B匹配的维度，完成逐元素运算，性能比手动堆叠后运算更优。

内容的提问来源于stack exchange，提问作者Crowley