Algorithm 在此代码段中是否可以进行预分配？

下面是蚁群优化的一段代码。我已经删除了我认为理解代码绝对不必要的内容。其余的我不确定，因为我不熟悉matlab上的编码。然而，我在500个左右的城市上运行这个算法，有500个蚂蚁和1000次迭代，与其他在matlab上实现的算法相比，代码运行速度非常慢。就我的项目而言，我只需要数据集，不需要在matlab上演示编码能力，而且我有时间限制，根本不允许我从头开始学习matlab，因为在最后期限给定时，没有考虑到这一点，也没有预料到这一点，所以我从在线来源获得了算法

Matlab建议在一个循环中预先分配两个变量，因为我相信它们是改变大小的数组。但是，我不完全理解这两部分代码的目的，因此我无法做到这一点。我相信这两个数组在循环的每次迭代中都会增加一个新项，所以从技术上讲，它们都应该是零，并且可以根据for循环条件预先分配两个预期最终大小的大小，但我不确定。我已经尝试过为这两个数组预分配零，但它似乎没有解决任何问题，因为Matlab仍然显示了速度建议的预分配

在下面的预分配中，我对MATLAB推荐的两个变量添加了两条注释。如果有人能浏览一下，并告诉我是否可能，我将不胜感激

    x = 10*rand(50,1);
    y = 10*rand(50,1);
    n=numel(x);
    D=zeros(n,n);

    for i=1:n-1
        for j=i+1:n
            D(i,j)=sqrt((x(i)-x(j))^2+(y(i)-y(j))^2);
            D(j,i)=D(i,j);
        end
    end

    model.n=n;
    model.x=x;
    model.y=y;
    model.D=D;

nVar=model.n;

MaxIt=100;     
nAnt=50;

Q=1;

tau0=10*Q/(nVar*mean(model.D(:)));

alpha=1;
beta=5;
rho=0.6;

eta=1./model.D;
tau=tau0*ones(nVar,nVar);
BestCost=zeros(MaxIt,1);

empty_ant.Tour=[];
empty_ant.Cost=[];

ant=repmat(empty_ant,nAnt,1);

BestSol.Cost=inf;

for it=1:MaxIt

    for k=1:nAnt
        ant(k).Tour=randi([1 nVar]);

        for l=2:nVar
            i=ant(k).Tour(end);
            P=tau(i,:).^alpha.*eta(i,:).^beta;
            P(ant(k).Tour)=0;
            P=P/sum(P);
            r=rand;
            C=cumsum(P);
            j=find(r<=C,1,'first');
            ant(k).Tour=[ant(k).Tour j];
        end

        tour = ant(k).Tour;
        n=numel(tour);
        tour=[tour tour(1)]; %MatLab recommends preallocation here
        ant(k).Cost=0;

        for i=1:n
        ant(k).Cost=ant(k).Cost+model.D(tour(i),tour(i+1));
        end

        if ant(k).Cost<BestSol.Cost
            BestSol=ant(k);
        end

    end

    for k=1:nAnt
        tour=ant(k).Tour;
        tour=[tour tour(1)];

        for l=1:nVar
            i=tour(l);
            j=tour(l+1);
            tau(i,j)=tau(i,j)+Q/ant(k).Cost;
        end

    end

    tau=(1-rho)*tau;

    BestCost(it)=BestSol.Cost;

    figure(1);
    tour=BestSol.Tour;
    tour=[tour tour(1)];  %MatLab recommends preallocation here
    plot(model.x(tour),model.y(tour),'g.-');
end

x=10*rand（50,1）；
y=10*兰特（50,1）；
n=努美尔（x）；
D=零（n，n）；
对于i=1:n-1
对于j=i+1:n
D（i，j）=sqrt（（x（i）-x（j））^2+（y（i）-y（j））^2）；
D（j，i）=D（i，j）；
结束
结束
模型n=n；
模型x=x；
模型y=y；
模型D=D；
nVar=型号n；
最大值=100；
nAnt=50；
Q=1；
tau0=10*Q/（nVar*平均值（模型D（：））；
α=1；
β=5；
rho=0.6；
eta=1/型号D；
tau=tau0*one（nVar，nVar）；
最佳成本=零（最大，1）；
空_ant.Tour=[]；
空成本=[]；
ant=repmat（空_ant，nAnt，1）；
最佳成本=inf；
for it=1:MaxIt
对于k=1:nAnt
ant（k）.Tour=randi（[1 nVar]）；
对于l=2:nVar
i=蚂蚁（k）.旅行（结束）；
P=tau（i，：）.^alpha.*eta（i，：）.^beta；
P（ant（k）.Tour）=0；
P=P/总和（P）；
r=兰特；
C=总和（P）；
j=find（r如果更改数组的大小，则意味着将其复制到内存中的新位置。对于小数组来说这不是一个大问题，但对于大数组来说，这会大大降低代码的速度。您使用的巡更数组的大小是固定的（在本例中为51或n+1）因此，您应该将它们预先分配为零数组。您唯一要做的就是将巡更的第一个元素再次添加到末尾，这样您所要做的就是设置数组的最后一个元素

以下是您应该更改的内容：

x = 10*rand(50,1);
y = 10*rand(50,1);
n=numel(x);
D=zeros(n,n);

for i=1:n-1
    for j=i+1:n
        D(i,j)=sqrt((x(i)-x(j))^2+(y(i)-y(j))^2);
        D(j,i)=D(i,j);
    end
end

model.n=n;
model.x=x;
model.y=y;
model.D=D;

nVar=model.n;

MaxIt=1000;     
nAnt=50;

Q=1;

tau0=10*Q/(nVar*mean(model.D(:)));

alpha=1;
beta=5;
rho=0.6;

eta=1./model.D;
tau=tau0*ones(nVar,nVar);
BestCost=zeros(MaxIt,1);

empty_ant.Tour=zeros(n, 1);
empty_ant.Cost=[];

ant=repmat(empty_ant,nAnt,1);

BestSol.Cost=inf;

for it=1:MaxIt

    for k=1:nAnt
        ant(k).Tour=randi([1 nVar]);

        for l=2:nVar
            i=ant(k).Tour(end);
            P=tau(i,:).^alpha.*eta(i,:).^beta;
            P(ant(k).Tour)=0;
            P=P/sum(P);
            r=rand;
            C=cumsum(P);
            j=find(r<=C,1,'first');
            ant(k).Tour=[ant(k).Tour j];
        end
        tour = zeros(n+1,1);
        tour(1:n) = ant(k).Tour;
        n=numel(ant(k).Tour);
        tour(end) = tour(1); %MatLab recommends preallocation here
        ant(k).Cost=0;

        for i=1:n
        ant(k).Cost=ant(k).Cost+model.D(tour(i),tour(i+1));
        end

        if ant(k).Cost<BestSol.Cost
            BestSol=ant(k);
        end

    end

    for k=1:nAnt
        tour(1:n)=ant(k).Tour;
        tour(end) = tour(1);

        for l=1:nVar
            i=tour(l);
            j=tour(l+1);
            tau(i,j)=tau(i,j)+Q/ant(k).Cost;
        end

    end

    tau=(1-rho)*tau;

    BestCost(it)=BestSol.Cost;

    figure(1);
    tour(1:n) = BestSol.Tour;
    tour(end) = tour(1);  %MatLab recommends preallocation here
    plot(model.x(tour),model.y(tour),'g.-');
end

x=10*rand（50,1）；
y=10*兰特（50,1）；
n=努美尔（x）；
D=零（n，n）；
对于i=1:n-1
对于j=i+1:n
D（i，j）=sqrt（（x（i）-x（j））^2+（y（i）-y（j））^2）；
D（j，i）=D（i，j）；
结束
结束
模型n=n；
模型x=x；
模型y=y；
模型D=D；
nVar=型号n；
最大值=1000；
nAnt=50；
Q=1；
tau0=10*Q/（nVar*平均值（模型D（：））；
α=1；
β=5；
rho=0.6；
eta=1/型号D；
tau=tau0*one（nVar，nVar）；
最佳成本=零（最大，1）；
空的巡回=零（n，1）；
空成本=[]；
ant=repmat（空_ant，nAnt，1）；
最佳成本=inf；
for it=1:MaxIt
对于k=1:nAnt
ant（k）.Tour=randi（[1 nVar]）；
对于l=2:nVar
i=蚂蚁（k）.旅行（结束）；
P=tau（i，：）.^alpha.*eta（i，：）.^beta；
P（ant（k）.Tour）=0；
P=P/总和（P）；
r=兰特；
C=总和（P）；
j=find（r如果更改数组的大小，则意味着将其复制到内存中的新位置。对于小数组来说这不是一个大问题，但对于大数组来说，这会大大降低代码的速度。您使用的巡更数组的大小是固定的（在本例中为51或n+1）因此，您应该将它们预先分配为零数组。您唯一要做的就是将巡更的第一个元素再次添加到末尾，这样您所要做的就是设置数组的最后一个元素

以下是您应该更改的内容：

x = 10*rand(50,1);
y = 10*rand(50,1);
n=numel(x);
D=zeros(n,n);

for i=1:n-1
    for j=i+1:n
        D(i,j)=sqrt((x(i)-x(j))^2+(y(i)-y(j))^2);
        D(j,i)=D(i,j);
    end
end

model.n=n;
model.x=x;
model.y=y;
model.D=D;

nVar=model.n;

MaxIt=1000;     
nAnt=50;

Q=1;

tau0=10*Q/(nVar*mean(model.D(:)));

alpha=1;
beta=5;
rho=0.6;

eta=1./model.D;
tau=tau0*ones(nVar,nVar);
BestCost=zeros(MaxIt,1);

empty_ant.Tour=zeros(n, 1);
empty_ant.Cost=[];

ant=repmat(empty_ant,nAnt,1);

BestSol.Cost=inf;

for it=1:MaxIt

    for k=1:nAnt
        ant(k).Tour=randi([1 nVar]);

        for l=2:nVar
            i=ant(k).Tour(end);
            P=tau(i,:).^alpha.*eta(i,:).^beta;
            P(ant(k).Tour)=0;
            P=P/sum(P);
            r=rand;
            C=cumsum(P);
            j=find(r<=C,1,'first');
            ant(k).Tour=[ant(k).Tour j];
        end
        tour = zeros(n+1,1);
        tour(1:n) = ant(k).Tour;
        n=numel(ant(k).Tour);
        tour(end) = tour(1); %MatLab recommends preallocation here
        ant(k).Cost=0;

        for i=1:n
        ant(k).Cost=ant(k).Cost+model.D(tour(i),tour(i+1));
        end

        if ant(k).Cost<BestSol.Cost
            BestSol=ant(k);
        end

    end

    for k=1:nAnt
        tour(1:n)=ant(k).Tour;
        tour(end) = tour(1);

        for l=1:nVar
            i=tour(l);
            j=tour(l+1);
            tau(i,j)=tau(i,j)+Q/ant(k).Cost;
        end

    end

    tau=(1-rho)*tau;

    BestCost(it)=BestSol.Cost;

    figure(1);
    tour(1:n) = BestSol.Tour;
    tour(end) = tour(1);  %MatLab recommends preallocation here
    plot(model.x(tour),model.y(tour),'g.-');
end

x=10*rand（50,1）；
y=10*兰特（50,1）；
n=努美尔（x）；
D=零（n，n）；
对于i=1:n-1
对于j=i+1:n
D（i，j）=sqrt（（x（i）-x（j））^2+（y（i）-y（j））^2）；
D（j，i）=D（i，j）；
结束
结束
模型n=n；
模型x=x；
模型y=y；
模型D=D；
nVar=型号n；
最大值=1000；
nAnt=50；
Q=1；
tau0=10*Q/（nVar*平均值（模型D（：））；
α=1；
β=5；
rho=0.6；
eta=1/型号D；
tau=tau0*one（nVar，nVar）；
最佳成本=零（最大，1）；
空的巡回=零（n，1）；
空成本=[]；
ant=repmat（空_ant，nAnt，1）；
最佳成本=inf；
for it=1:MaxIt
对于k=1:nAnt
ant（k）.Tour=randi（[1 nVar]）；
对于l=2:nVar
i=蚂蚁（k）.旅行（结束）；
P=tau（i，：）.^alpha.*eta（i，：）.^beta；
P（ant（k）.Tour）=0；
P=P/总和（P）；
r=兰特；
C=总和（P）；
j=find（r我认为MATLAB编辑器在这种情况下给出的警告是错误的。数组没有重复调整大小，只是调整了一次大小。原则上，
tour（end+1）=tour（1）
比
tour=[tour，tour（1）]
更有效，但在这种情况下，您可能不会注意到成本上的差异

如果您想加快此代码的速度，可以考虑对其某些循环进行矢量化，并减少执行的索引操作的数量。例如，本节：

tour = ant(k).Tour;
n=numel(tour);
tour=[tour tour(1)]; %MatLab recommends preallocation here
ant(k).Cost=0;

for i=1:n
   ant(k).Cost=ant(k).Cost+model.D(tour(i),tour(i+1));
end

if ant(k).Cost<BestSol.Cost
   BestSol=ant(k);
end

tour=ant（k）.tour；
n=努梅尔（旅游）；
tour=[tour tour（1）]；%MatLab建议在此处进行预分配
蚂蚁（k）。成本=0；
对于i=1:n
ant（k）.Cost=ant（k）.Cost+model.D（tour（i），tour（i+1））；
结束
如果ant（k）.Cost我认为MATLAB编辑器在这种情况下给出的警告是错误的。数组没有重复调整大小，只是调整了一次大小。原则上，
tour（end+1）=tour（1）
比
tour=[tour，tour（1）]
更有效，但在这种情况下，您可能没有注意到成本上的差异

如果你想加速这个代码，你不能