C++ LAPACK函数在第一次迭代后变慢

我正在实现一个迭代算法，该算法使用LAPACK进行PSD投影（其实并不重要，关键是我反复调用此函数）：

void useLAPACK（向量&x，整数N）{
/*当地人*/
int n=n，il，iu，m，lda=n，ldz=n，info，lwork，liwork；
双重禁欲；
双vl，vu；
国际iwkopt；
国际工作；
双wkopt；
双重*工作；
/*本地阵列*/
int isuppz[N]；
双w[N]，z[N*N]；
/*负Absol表示使用默认值*/
Absol=-1.0；
/*设置il，iu以计算选定的最小特征值*/
vl=0；
vu=1.79769e+308；
/*查询并分配最佳工作空间*/
lwork=-1；
liwork=-1；
dsyevr_（（字符*）“向量”、（字符*）“V”、（字符*）“上”、&n、&x[0]、&lda、&vl、&vu、&il、&iu、，
&Absol，&m，w，z，&ldz，isuppz，&wkopt，&lwork，&iwkopt，&liwork，
&信息）；
lwork=（int）wkopt；
工作=（双*）malloc（工作*大小（双））；
liwork=iwkopt；
iwork=（int*）malloc（liwork*sizeof（int））；
/*求解特征值问题*/
dsyevr_（（字符*）“向量”、（字符*）“V”、（字符*）“上”、&n、&x[0]、&lda、&vl、&vu、&il、&iu、，
&Absol，&m，w，z，&ldz，isuppz，work，&lwork，iwork，&liwork，
&信息）；
/*检查收敛性*/
如果（信息>0）{
printf（“dsyevr（useLAPACK）无法计算特征值。\n”）；
出口（1）；
}
/*打印找到的特征值的数目*/
//printf（“\n找到的特征值总数：%2i\n”，m）；
//打印矩阵（“选定特征值”，1，m，w，1）；
//打印矩阵（“选定特征向量（按列存储）”，n，m，z，ldz；
//特征向量作为堆叠列返回（总计m）
//外和运算速度最快。
对于（inti=0；i

---

现在，我的时间测量显示，第一次通话大约需要4毫秒，但随后会增加到100毫秒。这段代码对此有很好的解释吗？每次x都是相同的向量。

我想我已经解决了这个问题。我的算法从零矩阵开始，然后正特征值的数量或多或少是半正半负。dsyevr仅计算具有这些参数的正特征值和相应的特征向量。我想如果所有的都是零，它实际上不需要计算任何特征向量，这使得算法更快。谢谢你的回答，对丢失的信息感到抱歉。

我想我已经解决了这个问题。我的算法从零矩阵开始，然后正特征值的数量或多或少是半正半负。dsyevr仅计算具有这些参数的正特征值和相应的特征向量。我想如果所有的都是零，它实际上不需要计算任何特征向量，这使得算法更快。感谢您提供的所有答案，并对丢失的信息表示歉意。

像往常一样，对于此类问题，您是如何衡量这些时间安排的？

N

有多大？这只是个想法。在第一次迭代后，是否检查数组是否未被NaN值污染？->NaN值通常会降低计算速度，因为它们会生成调用微码的异常（在英特尔cpu上）@PicaudVincent Well他说，

x

每次都是同一个向量，其他一切都是局部的，所以我们可以假设情况并非如此。不断的重新分配可能没有帮助。@Qubit，谢谢你的反馈。这只是一个想法，我没有其他想法。。。祝你的问题好运。和往常一样，这种类型的问题，你是如何衡量这些时间安排的？

N

有多大？这只是个想法。在第一次迭代后，是否检查数组是否未被NaN值污染？->NaN值通常会降低计算速度，因为它们会生成调用微码的异常（在英特尔cpu上）@PicaudVincent Well他说，

x

每次都是同一个向量，其他一切都是局部的，所以我们可以假设情况并非如此。不断的重新分配可能没有帮助。@Qubit，谢谢你的反馈。这只是一个想法，我没有其他想法。。。祝你的问题好运。

void useLAPACK(vector<double>& x, int N){

    /* Locals */
    int n = N, il, iu, m, lda = N, ldz = N, info, lwork, liwork;
    double abstol;
    double vl,vu;
    int iwkopt;
    int* iwork;
    double wkopt;
    double* work;
    /* Local arrays */
    int isuppz[N];
    double w[N], z[N*N];

    /* Negative abstol means using the default value */
    abstol = -1.0;
    /* Set il, iu to compute NSELECT smallest eigenvalues */
    vl = 0;
    vu = 1.79769e+308;
    /* Query and allocate the optimal workspace */
    lwork = -1;
    liwork = -1;
    dsyevr_( (char*)"Vectors", (char*)"V", (char*)"Upper", &n, &x[0], &lda, &vl, &vu, &il, &iu,
             &abstol, &m, w, z, &ldz, isuppz, &wkopt, &lwork, &iwkopt, &liwork,
             &info );
    lwork = (int)wkopt;
    work = (double*)malloc( lwork*sizeof(double) );
    liwork = iwkopt;
    iwork = (int*)malloc( liwork*sizeof(int) );
    /* Solve eigenproblem */
    dsyevr_( (char*)"Vectors", (char*)"V", (char*)"Upper", &n, &x[0], &lda, &vl, &vu, &il, &iu,
             &abstol, &m, w, z, &ldz, isuppz, work, &lwork, iwork, &liwork,
             &info );
    /* Check for convergence */
    if( info > 0 ) {
        printf( "The dsyevr (useLAPACK) failed to compute eigenvalues.\n" );
        exit( 1 );
    }
    /* Print the number of eigenvalues found */
    //printf( "\n The total number of eigenvalues found:%2i\n", m );
    //print_matrix( "Selected eigenvalues", 1, m, w, 1 );
    //print_matrix( "Selected eigenvectors (stored columnwise)", n, m, z, ldz );
    //Eigenvectors are returned as stacked columns (in total m)
    //Outer sum calculation is fastest.
    for(int i = 0; i < N*N; ++i) x[i] = 0;
    double lambda;
    double vrow1,vrow2;
    for(int col = 0; col < m; ++col) {
        lambda = w[col];
        for (int row1 = 0; row1 < N; ++row1) {
            vrow1 = z[N*col+row1];
            for(int row2 = 0; row2 < N; ++row2){
                vrow2 = z[N*col+row2];
                x[row1*N+row2]  += lambda*vrow1*vrow2;
            }
        }
    }
    free( (void*)iwork );
    free( (void*)work );
}