Algorithm 如何优化此索引算法 我的问题 我是否可以加快计算速度 是否有更好的算法或实现，我可以用来计算相同的值 描述算法

我有一个复杂的索引问题，我正在努力以有效的方式解决

目标是使用大小相等的矩阵

w

、

dY

和

dX

中的值的组合来计算矩阵

w\u prime

w_素数（i，j）

的值计算为

平均值（w（indY和indX））

，其中

indY

和

indX

分别是

dY

和

dX

的指数，分别等于

i

和

j

下面是一个在matlab中计算

w_prime

的算法的简单实现：

for i = 1:size(w_prime,1)
  indY = dY == i;
  for j = 1:size(w_prime,2)
    indX = dX == j; 
    w_prime(ind) = mean( w( indY & indX ) );
  end
end

性能问题 在下面的示例中，这种实现就足够了；然而，在我的实际用例中，

w

，

dY

，

dX

是~

3000x3000

，

w\u prime

是~

60X900

。这意味着每次指数计算都是在大约900万个元素上进行的。不用说，这个实现太慢，无法使用。此外，我还需要运行这段代码几十次

实例计算 如果我想计算w（1,1）

• 找到等于1的

  dY

  索引，另存为

  indY

• 找到等于1的

  dX

  索引，另存为

  indX

• 查找

  indY

  和

  indX

  的交点，另存为

  ind

• 将

  平均值（w（ind））

  保存到

  w_素数（1,1）

一般问题描述 我有一个由两个向量定义的设定点

X

，和

T

，两者都是1XN，其中N是~3000。此外，X和T的值是分别由区间（160）和（1900）限定的整数

矩阵

dX

和

dT

只是距离矩阵，这意味着它们包含点之间的成对距离。Ie

dx（i，j）

等于

abs（x（i）-x（j））

它们使用以下公式计算：

dx=pdist（x）

矩阵
w
可以被认为是描述一个点对另一个点有多大影响的权重矩阵

计算
w_素数（a，b）
的目的是确定由
X
维度中的
a
和
T
维度中的
b
分隔的点子集之间的平均权重

这可以表示为：

这一点非常简单：

如果没有相应的索引对，输出将是一个大小为nx

-by-

ny

的数组，带有NaNs。如果您确信将一直有完整的索引，您可以将上述计算简化为

w_prime = accumarray([dX(:),dY(:)],w(:),[],@mean)

---

那么，accumarray做什么？它查看

[dX（：）、dY（：）]

的行。每行给出该行所贡献的

（i，j）

w_prime中的坐标对。对于所有对

（1,1）

，它将函数（

@mean

）应用于

w（：）

中的相应条目，并将输出写入

w_prime（1,1）

你好！我想知道您是否可以对需要使用此计算的问题提供更一般的描述（例如，寻路-需要计算新位置，等等）。也许总的来说可以建议一个更好的算法？哈哈哇！好吧，这绝对不是我所希望的简单问题。当我与我的白板lol重聚时，我会尝试回到这个话题，希望在此期间有其他人可以帮助你。纯粹出于好奇，你为什么要这么做？找到平均影响力有什么普遍意义？我在猜测某种数据关联？？每个问题都应该以如此详细和精确的方式来描述。我想和MATLABPerfect的创造者一起生孩子！这正是我要找的！

w_prime = accumarray([dX(:),dY(:)],w(:),[],@mean)