性能权衡 – 何时MATLAB比C / C ++更好/更慢？
我知道C / C ++是一种低级语言，当与其他任何高级语言进行比较时，会生成相对优化的机器码。 但是我觉得还有不止这些，从实践中也可以看出来。
当我做一些简单的计算，如高斯样本集的蒙特卡洛平均等等时，我发现C ++实现和MATLAB实现之间没有什么区别，有时实际上MATLAB在时间上performance得好一些。
当我使用数千行代码进行更大规模的模拟时，慢慢地显示出真实的图像。 C ++仿真显示出优越的性能，比时间复杂度比同等的MATLAB实现要好100倍。
C ++中的代码大部分都是串行的，没有明确的hi-fi优化。 而根据我的意识，MATLAB固有地做了很多优化。 例如，当我尝试生成大量的随机样本时，在C ++中使用像IT ++ / GSL / Boost这样的库执行相对较慢的操作（所使用的algorithm与mt19937相同）。
我的问题是简单地知道在MATLAB / C ++之间是否有一个简单的权衡。 难道就像人们所说的：“只要有可能，C / C ++就更好”（经验丰富的）。 从另一个angular度来看，“除了舒适之外，MATLAB还有什么好处呢？”
顺便说一句，在这里我没有看到编码效率参数是重要的，在这两种情况下，想到同一个程序员。 而且，我认为像Python，R这样的其他select在这里是不相关的。 但是依赖于我们使用的特定的库应该是有趣的。
[我是通信系统编码理论的博士生。 我一直在用matlab / C ++进行仿真，并且在两种情况下都有合理的编码几行10K的经验]
我已经使用Matlab和C ++大约10年了。 对于我的研究中实现的每个数值algorithm，我总是从Matlab原型开始，然后将项目翻译成C ++，以获得10倍到100倍（我不是开玩笑）的性能改进。 当然，我正在比较优化的C ++代码与完全vector化的Matlab代码。 平均而言，改善幅度约为50倍。
两种编程语言背后都有很多微妙之处，下面是一些误解：
-
Matlab是一种脚本语言，但是C ++被编译
Matlab使用JIT编译器将您的脚本转换为机器码，通过使用Matlab提供的编译器，您可以将速度提高1.5倍至2倍。
-
Matlab代码可能能够完全向量化，但是你必须在C ++中手工优化你的代码
完全vector化的Matlab代码可以调用用C ++ / C / Assembly（例如Intel MKL）编写的库。 但是简单的C ++代码可以通过现代编译器进行合理的vector化。
-
Matlab提供的工具箱和例程应该被很好地调整，并且应该具有合理的性能
除了线性代数例程之外，其性能通常很差。
与vector化Matlab代码相比，您可以在C ++中获得10倍〜100倍的性能：
-
在Matlab中调用外部库（MKL）需要花费时间。
-
Matlab中的内存是dynamic分配和释放的。 例如，小matrix乘法：
A = B*C + D*E + F*G
需要Matlab来创build2个临时matrix。 而在C ++中，如果你事先分配你的内存，你创buildNONE。 现在想象一下你循环1000次的声明。 C ++中的另一个解决scheme是由C ++ 11 Rvalue引用提供的。 这是C ++中最大的改进之一，现在的C ++代码可以和普通的C代码一样快。 -
如果要进行并行处理，Matlab模型是多进程的，C ++的方式是multithreading的。 如果你有许多小任务需要并行化，C ++提供线性增益到multithreading，但你可能在Matlab中有负性能增益。
-
你在C ++中通过引用传递大对象，大量内存，但在Matlab中相当棘手。
-
C ++中的vector化涉及使用内在函数/汇编，有时SIMDvector化只能在C ++中实现。
-
指针在C ++中创造奇迹。 成像交换两个matrixA和B：在Matlab中，它涉及第三matrix，并且需要3 * N * N个基本复制操作。 但在C ++中，这是通过成本接近零的指针完成的。
-
在C ++中，经验丰富的程序员可以完全避免L2高速caching未命中，甚至L1高速caching未命中，从而将CPU推到理论上的吞吐量限制。 由于这个原因，Matlab的性能可能落后于C ++ 10倍。
-
在C ++中，计算密集型指令有时可以根据它们的等待时间（在汇编或内部函数中谨慎编码）和依赖性（大部分时间由编译器或CPU硬件自动完成）进行分组，这样理论IPC（每个时钟周期的指令）到达和CPUpipe道被填满。
但是，与Matlab相比，C ++的开发时间也是10倍！
你应该使用Matlab而不是C ++的原因：
-
数据可视化。 我认为我的职业生涯可以不用C ++，但是如果没有Matlab就无法生存，因为它可以产生美丽的情节！
-
低效率，但在math上强大的内置例程和工具箱。 先得到正确的答案，然后谈论效率。 人们可以在C ++中犯下微妙的错误（例如隐式地将double转换为int ）并得到正确的结果。
-
expression你的想法，并向同事展示你的代码。 Matlab代码比C ++更容易阅读，并且比C ++更短，并且可以在没有编译器的情况下正确执行Matlab代码。 我只是拒绝阅读其他人的C ++代码。 我甚至不使用C ++ GNU科学库，因为代码质量不能保证。 研究人员/工程师使用C ++库作为黑箱是非常危险的，并且准确无误。 即使对于商业化的C / C ++库，我记得去年英特尔编译器在其sin（）函数中有一个符号错误，在MKL中也出现了数值准确性问题。
最后但是同样重要的：
因为一旦Matlab代码被vector化了，程序员就没有太多的工作要做，所以与C ++代码相比，Matlab代码的性能对代码质量的敏感度要低得多。 因此，最好在Matlab中优化计算algorithm，稍好的algorithm在Matlab中通常具有稍好的性能。 另一方面，用C ++进行algorithmtesting需要相当程序员用相同的方式编写或多或less优化的algorithm，以确保编译器不会对algorithm进行不同的优化。
根据我的经验（几年计算机视觉和两种语言的image processing），对于这个问题没有简单的答案，因为Matlab的性能在编码风格上强烈地依赖于C ++（而不仅仅是性能）。
通常，Matlab包装了经典的基于C ++ / Fortran的线性代数库。 所以，像x = A\b这样的东西会非常快。 此外，Matlab在为这些types的问题select最有效的求解器方面做得很好，所以对于x = A\b Matlab将会查看matrix的大小并select合适的低级例程。
如果你“向量化”了你的代码，也就是说如果你避免for循环并且使用索引数组或者布尔数组访问你的数据，那么Matlab也会在大数据matrix的数据操作中发光。 这东西是高度优化的。
对于其他例程，有些是用Matlab代码编写的，有些则指向C / C ++实现（例如Delaunay的东西）。 你可以通过inputedit some_routine.m来检查。 这将打开代码，你会看到它是全部的Matlab还是只是编译的东西的包装。
Matlab认为，主要是为了舒适性，但是舒适度转化为编码时间，最终是金钱，这就是为什么在业界使用Matlab。 另外，对于除计算机科学以外的其他领域的工程师来说，很容易学习，而且在编程方面的培训很less。
作为博士生，还有一个10年的Matlab用户，我很高兴能分享我的POV：
Matlab是开发和原型algorithm的一个很好的工具，特别是在处理graphics用户界面（GUI），高级分析（频域，LS优化等）时：快速编码，强大的语法（想想[]，{}，：等等）。
只要你的处理链更加稳定和定义，数据维数增长到C / C ++。
当考虑到语言的脚本时，主要的Matlab限制上升：只要避免任何cicle（使用arrayfun，cellfun或其他matrix过程），由于被调用子程序又是在C / C ++中，性能很高。
Matlab在线性代数和arrays/matrix运算方面做得非常好，因为他们似乎在底层操作上做了一些额外的优化 – 如果你想在那里打败Matlab，你需要一个类似优化的BLAS / LAPACK库。
作为一种解释型语言，由于内部开销，Matlab每当调用Matlab函数时就会失去时间，传统上这意味着Matlab循环很慢。 近几年来，由于JIT编译器的重大改进（例如，在MATLAB上search“性能”问题），这已经有所缓解。 由于函数调用的开销，所有在C / C ++后台都没有实现的Matlab函数（调用edit functionName来查看它是否用Matlab编写）的风险比C / C ++相对要慢。
最后，Matlab试图用户友好，并可能做“不必要”的input检查，可能需要时间（由于函数调用开销）。 例如，如果您知道ismember获得sorting的input，则可以直接调用ismembc （幕后编译函数），节省相当多的时间。
你的问题很难回答。 一般而言，C ++速度更快，但如果使用Matlab写得很好的algorithm，则可以超越C ++。 在某些情况下，Matlab可以并行处理你的代码，这在C ++的许多情况下必须手动完成。 Mathlab可以输出C ++代码。
所以我的结论是，你必须衡量两个scheme的performance才能得到答案。 但是，你比较你的两个实现，而不是一般的Matlab和C ++。
我想你至less可以考虑四倍的差距。
- 编译与解释
- 强types与dynamictypes
- 性能与快速原型
- 特别的力量
对于1-3可以很容易地推广到两种编程语言族之间的比较。
对于4， MATLAB针对matrix运算进行了优化。 所以，如果你能在MATLABvector化更多的代码，性能可以大大提高。 相反，如果需要多个loops ，请不要犹豫使用C++或创build一个mex文件。
毕竟这是一个困难的问题。
除了最后一个程序的速度外，还应该考虑到代码的总开发时间，即不仅要写时间，还要考虑到debugging等。Matlab（及其开放源代码的Octave ）由于其可视化function，可以很好地进行快速原型devise。
如果你使用的是直接的C ++（即没有matrix库），那么编写与Matlab代码相当的C ++代码可能需要更长的时间（例如，花费10个小时编写仅运行10秒的C ++代码就没有意义了比起花5分钟写出来的Matlab程序更快）。
但是，还有专门的C ++matrix库，如Armadillo ，它提供了一个类似Matlab的API。 这对编写可从Matlab调用的性能关键代码或将Matlab代码转换为“真实”程序非常有用。
从MATLAB切换到C ++时，我看到了5.5倍的速度提升。 这是一个机器人控制器 – 很多循环和颂歌解决。 我花了好几个小时来试图优化MATLAB代码，几乎没有时间优化C ++（我相信它可以多花一点时间快10倍）。
但是，为MATLAB代码添加一个GUI很容易，所以我仍然经常使用它。 像其他人所说的那样，在MATLAB上首先进行原型开发是很好的。 这使得在C ++上的实现更加简单。
一些Matlab代码使用内置multithreading的标准线性代数小说。 所以，看起来他们比顺序的C代码更快。
