有没有更快的方式从Python中运行Matlab脚本完成克里金模型计算？

首先明确原有流程的核心耗时瓶颈：90%以上的耗时来自Matlab引擎重复启动开销、模型文件重复加载开销、中间.mat文件读写IO开销，真正的克里金预测25组样本的计算耗时仅为毫秒级，优化后完全可以达到3秒以内的要求。

优先级最高的优化措施（改完即可达标） #

• 【消除引擎启动开销】将Matlab引擎的初始化逻辑从每次调用的流程中剥离，改为程序启动时仅初始化一次，常驻内存，避免每次调用都执行start_matlab()和quit()，单这一项可减少40~60秒的耗时。
• 【砍掉中间文件IO】无需通过.mat文件在Python和Matlab之间传递数据，Matlab引擎原生支持直接接收Python数值类型作为输入参数，也可直接将计算结果返回给Python，省略两次本地文件读写的开销。
• 【消除模型重复加载开销】在Matlab引擎初始化阶段提前将训练好的克里金模型加载到Matlab工作区，无需每次调用预测逻辑时都重新读取模型文件。

优化后代码示例 #

Python侧代码

import numpy as np
import matlab.engine

# ========== 初始化逻辑：程序启动时仅执行一次 ==========
# 启动Matlab引擎并常驻
eng = matlab.engine.start_matlab()
# 预加载克里金模型到Matlab工作区
eng.load('C:\\Users\\User\\Documents\\MATLAB\\krig_posttrain_workspace2.mat', nargout=0)

# ========== 单次调用逻辑：每次生成latent_vars后执行 ==========
# 将numpy数组转换为Matlab支持的single类型，无需存本地文件
latent_mat = matlab.single(noise.tolist())
# 直接调用Matlab的predictor函数，参数和返回值直接跨进程传递
comp_vals, _ = eng.predictor(latent_mat, eng.workspace['dmodel'], nargout=2)
# 将返回的Matlab数组转为numpy数组，按需转置
comp_vals = np.array(comp_vals).T

原来的Kriging_to_python.m脚本可以完全删除，无需再调用。

进阶优化方案（若需进一步提速） #

• 完全移除Matlab依赖：将训练好的克里金模型参数（协方差函数参数、训练样本集、均值系数等）从Matlab导出，用Python的scikit-learn.GaussianProcessRegressor重建预测逻辑，克里金和高斯过程回归原理完全等价，纯Python实现的预测速度可达到毫秒级。
• 编译Matlab预测逻辑为DLL：若必须使用Matlab的原生predictor函数，可将预测逻辑编译为独立动态链接库，通过Python的ctypes调用，相比Matlab引擎的跨进程调用开销更低。
• 预热运行：首次调用预测函数后Matlab会完成JIT编译，后续调用速度会进一步提升，可在程序启动后先跑一次模拟输入完成预热。

内容的提问来源于stack exchange，提问作者srv_77