C++矩阵特征向量计算性能远逊于MATLAB的问题咨询

• MATLAB底层的深度定制优化
  MATLAB的eig函数针对对称矩阵场景，采用了Intel MKL专属优化的LAPACK/BLAS实现，并且在线程调度、缓存利用、AVX512这类高级指令集适配上做了针对Intel Xeon的专属调优，能把硬件性能压榨到极致。
• C++库默认配置未拉满性能
  像Armadillo、Eigen这类库，默认可能用的是OpenBLAS而非MKL作为计算后端，或者编译时没开启最高等级的优化选项，导致算法效率没能充分发挥。
• 对称矩阵特性未被正确利用
  如果没明确告诉C++库当前矩阵是对称的，部分库会默认调用通用矩阵的特征值求解算法，而不是对称矩阵专用的高效算法，平白增加了计算量。

• 切换到Intel MKL计算后端
  给C++数值库配置Intel MKL作为BLAS/LAPACK后端，这是最有效的性能提升手段：
  • Armadillo：编译时定义ARMA_USE_MKL宏，VS项目中链接MKL的mkl_core.lib、mkl_intel_lp64.lib、mkl_parallel.lib。
  • Eigen：添加EIGEN_USE_MKL_ALL宏定义，同样链接MKL相关库文件。
• 开启VS全量编译优化
  在VS2022 Release模式下：
  • 把优化等级拉到/O3（项目属性→C/C++→优化→选择“最大化速度(/O3)”）。
  • 启用对应Xeon CPU的指令集：在“代码生成”选项里选AVX2或AVX512（根据你的Xeon型号确定，大部分新款Xeon支持AVX512）。
  • 开启OpenMP支持：在“语言”选项里勾选“OpenMP支持：是(/openmp)”。
• 明确声明矩阵的对称性
  • Armadillo：用symmatu(your_matrix)或symmatl(your_matrix)包装矩阵，让库调用对称矩阵专用的特征值求解器。
  • Eigen：用your_matrix.selfadjointView<Eigen::Upper>()指定上三角存储（或Lower()指定下三角），触发专属优化算法。
• 优化线程数配置
  设置MKL的线程数为CPU物理核心数（避开超线程带来的调度损耗），可以通过环境变量MKL_NUM_THREADS=N（N是你的Xeon物理核心数），或者代码里调用mkl_set_num_threads(N)来实现。
• 保证内存对齐
  Armadillo和Eigen默认会处理内存对齐，但如果是手动分配矩阵内存，要用_mm_malloc这类对齐分配函数，提升缓存命中率。
• 批量任务调度优化
  针对数千次重复计算，把任务拆成多个批次，用线程池并行处理，同时尽量让矩阵数据保持在CPU缓存范围内，减少内存页交换的开销。

内容的提问来源于stack exchange，提问作者zeellos