Arrays 使用arrayfun在Matlab中快速生成for循环？

目前，我有以下代码部分：

for i = 2:N-1
  res(i) = k(i)/m(i)*x(i-1) -(c(i)+c(i+1))/m(i)*x(N+i) +e(i+1)/m(i)*x(i+1);
end

其中，变量k、m、c和e是大小为N的向量，x是大小为2*N的向量。有没有办法使用类似arrayfun的东西更快地实现这一点！？我无法理解这一点：（我特别希望以后在GPU上运行会更快，因此，arrayfun也会很有帮助，因为matlab不支持循环的并行化，我不想买夹克包。。。

---

非常感谢！

首先，MATLAB确实支持并行for loops via。但是，这不太可能加快这种计算，因为与您正在读取和写入的数据量相比，计算量很小

---

为GPUArray“”重新构造内容的步骤，您需要使循环体中的所有数组引用都引用循环，并使循环在整个范围内运行。您应该能够通过偏移一些数组并使用伪值填充来实现这一点。例如，您可以使用

NaN

预先填充所有数组，并替换

x（i-1）

使用一个新变量

x_1=[x（2:N）NaN]

您不必使用arrayfun。如果使用一些智能索引：

    clear all

    N=20;
    k=rand(N,1);
    m=rand(N,1);
    c=rand(N,1);
    e=rand(N,1);
    x=rand(2*N,1);

    % for-based implementation
    %Watch out, you are not filling the first element of forres!
    forres=zeros(N-1,1); %Initialize array first to gain some speed.
    for i = 2:N-1
      forres(i) = k(i)/m(i)*x(i-1) -(c(i)+c(i+1))/m(i)*x(N+i) +e(i+1)/m(i)*x(i+1);
    end

    %vectorized implementation
    parres=k(2:N-1)./m(2:N-1).*x(1:N-2) -(c(2:N-1)+c(3:N))./m(2:N-1).*x(N+2:2*N-1) +e(3:N)./m(2:N-1).*x(3:N);

    %compare results; strip the first element from forres
    difference=forres(2:end)-parres %#ok<NOPTS>

全部清除
N=20；
k=兰特（N，1）；
m=兰特（N，1）；
c=兰特（N，1）；
e=兰特（N，1）；
x=兰特（2*N，1）；
%基于对象的实现
%小心，你不是在填充forres的第一个元素！
forres=0（N-1,1）；%首先初始化数组以获得一些速度。
对于i=2:N-1
forres（i）=k（i）/m（i）*x（i-1）-（c（i）+c（i+1））/m（i）*x（N+i）+e（i+1）/m（i）*x（i+1）；
结束
%矢量化实现
parres=k（2:N-1）。/m（2:N-1）。*x（1:N-2）-（c（2:N-1）+c（3:N））/m（2:N-1）。*x（N+2:2*N-1）+e（3:N）。/m（2:N-1）。*x（3:N）；
%比较结果；从forres中剥离第一个元素
差异=力量（2：结束）-招架%#确定

我假设一个

（x（I）-x（I-1））^3

到达

（x（2:N-1）-x（1:N-2））。^3

？是的，你得到了。策略是用for循环中的索引范围替换运行索引

I

。即对于

1:N

，

I

变为

1:N

，

I+1

变为

1+1“把戏"基本上都是使用
arrayfun
所需的。在GPU上使用
arrayfun
通常比一系列矢量化操作快得多。好吧，我想试试：但我在这里看到的问题是，当创建这么多“虚拟”变量时，我可能很快就会耗尽内存，而且，复制到GPU的速度会更快对所有不同变量的内存访问可能会非常慢！你是对的，你可能会遇到问题。不幸的是，arrayfun在它允许的范围内非常不灵活。如果你真的想要最高的速度，你可以编写少量的CUDA代码，并使用MATLAB中的parallel.gpu.CUDAKernel来执行它。是的，谢谢，我已经考虑过这一点，但只是想要一个“快速”的解决方案以及user599884的建议，帮助我创建了这样一个快速的解决方案，使for循环更快。你认为CUDA编写的代码真的会比GPU上运行的user599884解决方案更快吗？只需简单地将
x=gpuArray（x），k=gpuArray（k）
等等。是的，在GPU上，arrayfun或手工编写的内核通常比矢量化的代码要好。忽略索引偏移量并使用arrayfun来查看速度有多快，您可以粗略估计速度有多快。Edric，您认为完全像CUDA mex文件那样做也值得吗（比如将数据复制到GPU等）或者一个PTX内核就足够了吗？！我想知道这两个变体之间是否会有很大的区别。