MATLAB中如何用矩阵运算替代for循环提升代码执行效率

逻辑推导 #

对原循环的运算逻辑做代数拆分：
原更新规则可展开为：

对每个i，更新项为 $\sum_{j=1}^N \beta(i,j) \cdot (x_n(j) - x_n(i))$

将求和项拆分后得到两个独立部分：

1. $\sum_{j=1}^N \beta(i,j) \cdot x_n(j)$：即betas矩阵第i行与xn向量的内积
2. $x_n(i) \cdot \sum_{j=1}^N \beta(i,j)$：即betas矩阵第i行的和乘以xn的第i个元素

向量化实现代码 #

k1 = k1 + betas * xn - sum(betas, 2) .* xn;

方案优势 #

1. 内存开销大幅降低：完全避免了构造N×N规模的临时矩阵，内存占用从O(N²)降至O(N)，在N取值较大时差异尤其明显
2. 运算效率更高：所有调用的运算均为MATLAB底层经BLAS/LAPACK高度优化的矩阵操作，执行速度远高于手动循环和基于repmat的逐元素运算方案

正确性验证 #

以N=2场景为例：

• betas * xn 结果为 [beta11*x1 + beta12*x2; beta21*x1 + beta22*x2]
• sum(betas, 2) .* xn 结果为 [(beta11 + beta12)*x1; (beta21 + beta22)*x2]
• 二者相减后得到 [beta12*(x2-x1); beta21*(x1-x2)]，和展开的原逻辑完全一致

内容的提问来源于stack exchange，提问作者Isaac lee