MATLAB基础版：百万次重复矩阵运算的提速方法咨询

针对百万次循环中A.' * B运算耗时占比最高的问题，基础版MATLAB里可以从以下几个方向优化：

1. 强制预分配输出内存 #

当前循环中result(i)的动态赋值会不断触发内存扩容，百万次循环下这部分开销不可忽视。提前给result分配好固定内存：

result = zeros(N, 1); % 预先分配N×1的零矩阵

2. 彻底消除循环：向量化生成所有A矩阵 #

这是最有效的提速手段——如果能修改func_temp，让它一次性生成所有N次循环需要的A矩阵（输出为9000×N的矩阵），就能把百万次小矩阵乘法合并成一次大矩阵运算：

A_all = func_temp(1:N); % 修改func_temp，返回9000×N的矩阵
sum_temp_all = A_all.' * B; % 一次运算得到N×1000的sum_temp结果集

MATLAB底层的BLAS库对大矩阵乘法有极致优化，这种合并运算的速度会比循环快几个数量级。如果func_temp无法直接修改成批量输出，也可以用arrayfun批量生成所有A再拼接成矩阵：

A_cell = arrayfun(@func_temp, 1:N, 'UniformOutput', false);
A_all = cell2mat(A_cell);

但优先修改func_temp本身，拼接操作会有额外开销。

3. 降低精度减少运算负载 #

如果你的计算对精度要求不高，把A和B转换成单精度类型（single），单精度运算的速度是双精度的2倍左右，同时内存占用减半，能大幅减少数据读写开销：

B = single(B);
% 在生成A时也直接用单精度，比如func_temp里输出single类型

4. 避免循环内的冗余操作 #

把循环内对sum_temp的多项操作，尽量改成向量化批量处理。比如在得到sum_temp_all后，一次性对整个N×1000矩阵执行所有操作，再生成最终的result，不要在循环里逐次处理单个sum_temp。

5. 确保JIT编译器正常工作 #

MATLAB的JIT编译器会对循环做优化，要避免在循环内使用eval、动态变量名（比如result_ + num2str(i)）、改变变量类型等会让JIT失效的操作，保证循环代码能被JIT优化。

内容的提问来源于stack exchange，提问作者RajaKrishnappa