4. 循环与向量化在批量计算中的取舍

批量计算的核心矛盾在于：同一套计算逻辑要作用在成百上千组输入上，而 MATLAB 的两种基本组织方式——显式循环与向量化——在速度、内存和可读性上各有代价。本节不讨论“向量化一定优于循环”这类口号，而是给出可操作的判断依据：什么时候用 for，什么时候用 parfor，什么时候用逻辑索引或 arrayfun 家族，以及当内存成为瓶颈时如何退让。

一、先分清三类“批量”对象

选择实现方式前，先确认数据形态，因为它直接决定可用工具：

• 同构数值数组：所有元素类型、尺寸一致，例如 1000×500 的矩阵，每列是一组参数。这类数据优先考虑向量化或逻辑索引。
• 元胞数组：每个元素可以是不同尺寸的矩阵、字符串或结构体，例如 200 个不同长度的实验数据段。这类数据适合 cellfun 或 for。
• 结构体数组：字段名固定、字段值类型可能不同，例如 500 条记录，每条含 time、signal、fs。这类数据适合 structfun 或字段级向量化。

把元胞数组硬转成三维数值数组再向量化，往往因补齐长度而浪费大量内存；反过来，把同构矩阵拆成元胞再逐元素处理，则白白损失向量化收益。第一步判断错了，后面怎么优化都事倍功半。

二、向量化与逻辑索引：优先但不迷信

对于同构数值数组，向量化的本质是把循环交给底层 BLAS/LAPACK 或逐元素运算内核，减少解释器开销。例如对 1000 组信号分别做归一化，若数据已组织为矩阵 X（每列一组），可直接写：

mu = mean(X, 1);              % 1×1000
sd = std(X, 0, 1);            % 1×1000
Xn = (X - mu) ./ sd;          % 隐式扩展，逐列归一化

逻辑索引则用于“按条件筛选后再计算”。例如只对幅值超过阈值的样本做平方：

mask = abs(X) > 0.5;
X(mask) = X(mask).^2;

这里 mask 是与 X 同尺寸的逻辑数组，X(mask) 取出满足条件的元素，赋值时再写回原位置。逻辑索引避免了 find 产生下标数组的额外内存，在筛选比例不高时尤其划算。

但向量化并非没有代价。当需要构造大型中间矩阵时，内存峰值可能远超预期。例如用 bsxfun 或隐式扩展计算 10000×10000 的距离矩阵，中间结果就是 800 MB（double 类型），若机器内存紧张，反而不如分块循环。此时应把大矩阵切成若干列块，每块单独向量化，控制峰值内存。

三、for、parfor 与 arrayfun 家族的适用边界

for 循环的优势是内存可控、逻辑清晰、便于插入调试输出和异常处理。当每次迭代的结果依赖上一次（如递推滤波），或每次迭代的数据量很小但次数极多时，for 仍是合理选择。MATLAB 的 JIT 对简单 for 已有较好优化，不必为了“看起来向量化”而把代码写得难以维护。

parfor 用于迭代之间相互独立、且单次迭代计算量足够大的场景。它的收益来自多核并行，但启动并行池、传输数据都有开销。经验上，若单次迭代耗时低于几毫秒，parfor 的加速可能被通信开销抵消。使用 parfor 时要注意：循环体内不能有跨迭代的依赖，不能随意修改外部变量，切片数组的索引方式也有限制。

arrayfun、cellfun、structfun 本质是“把函数作用到每个元素/字段上”的语法糖。它们让代码更紧凑，但通常不带来速度优势，甚至因函数句柄调用而略慢。它们的真正价值在于表达清晰：当每个元素需要调用一个已有函数、且元素尺寸不一致时，cellfun(@(x) myfun(x, p), C) 比手写循环更直观。若追求速度，应优先考虑能否把 myfun 本身向量化。

四、内存与速度的实测判断方法

不要凭感觉选择实现方式，而应做最小对照实验。以“对 500 个 1024 点信号做 FFT 并求主频”为例，可以准备三种写法：

1. for 循环：逐段调用 fft，结果存入预分配的矩阵。
2. 矩阵化：把 500 段拼成 1024×500 矩阵，一次 fft 处理所有列。
3. parfor：在 for 基础上改为并行循环。

测量时用 tic/toc 记录墙钟时间，用 whos 或 memory 观察峰值内存。典型结果是：矩阵化最快且代码最短，但若信号长度差异大、无法整齐拼接，则只能回到 for 或 cellfun；parfor 在单段 FFT 耗时约 1 ms 时可能没有明显收益，而在单段耗时 50 ms 以上时加速比才接近核数。

五、一个可复用的取舍检查清单

最后强调一点：预分配是循环写法的底线。在 for 或 parfor 中不断用 result(end+1) = ... 扩展数组，会触发反复内存重分配，速度可能比向量化慢一个数量级以上。正确做法是先 zeros 或 cell 预分配，再按索引写入。把这一条做好，很多“循环太慢”的问题其实已经解决大半。