讓MATLAB更快
MATLAB是一門在數值運算方面非常高效的語言，對於提高MATLAB的效率，有一些大家熟知的方法，比如避免使用for循環，向量化，使用C-mex寫核心，等等。這些原則大體是沒錯的，但是教條地運用有時反而會降低效率。
根據問題的規模，適當選擇向量化的策略
向量化的基本思想是以空間換時間，通過把要處理的對象轉化成一個矩陣，集中處理。這比起非向量化的處理方式往往需要消耗更多的內存。在內存緊張的時候，內存分配的開銷可能是很大的。
比如，給定一個列向量v1，和一個行向量v2, 計算矩陣M，使得M(i, j) = v1(i) + v2(j)。一種常用的向量化實現：
m = length(v1);
n = length(v2);
M = repmat(v1, [1, n]) + repmat(v2, [m, 1]);
這個過程中，除了M以外，還要創建兩個大小爲m x n的臨時矩陣。repmat創建臨時矩陣有一定的overhead，主要花費在元素索引上。由於元素加法的向量化收益本身並不顯著，扣除repmat的額 外開銷後，得益就更小了。另外，當這些矩陣很大，接近物理內存容納能力的時候，必然導致和虛擬內存進行頻繁的交換，耗費大量的IO時間，向量化可能得不償 失。這種情況下，下面這種向量化程度略低的方式可能是更好的選擇：
M = zeros(m, n);
if m < n
for i = 1 : m
M(i, :) = v1(i) + v2;
end
else
for i = 1 : n
M(:, i) = v1 + v2(i);
end
end
這個例子是要說明在設計向量化的時候，要對其它潛在的影響因素也進行考慮，權衡得失。對於這個例子本身，在2007版以後的matlab，有一個通用的簡潔的寫法。
M = bsxfun(@plus, v1, v2);
MATLAB內部對於bsxfun有很專業的優化，這個寫法在時間和空間上都比較節省。
對一組d x d矩陣求逆，假設這些矩陣放在大小爲d x d x n的數組裏。在一般條件下，多個矩陣求逆沒有特別的向量化方法，通常就是逐個求
n = size(A, 3);
B = zeros(size(A));
for i = 1 : n
B(:, :, i) = inv(A(:, :, i));
end
不過，當d很小而n很大的時候，比如對大量2x2矩陣求逆（這在設計幾何的問題中很常見），那麼直接利用2x2矩陣的求逆共識，進行向量化了：
a = reshape(A(1, 1, :), [1, n]);
b = reshape(A(1, 2, :), [1, n]);
c = reshape(A(2, 1, :), [1, n]);
d = reshape(A(2, 2, :), [1, n]);
g = 1 ./ (a .* d - b .* c);
r11 = d .* g;
r12 = -b .* g;
r21 = -c .* g;
r22 = a .* g;
B = reshape([r11; r21; r12; r22], [2, 2, n]);
在正式的代碼中，還需要處理可能爲奇異(a*d-b*c=0)的情況。
某些非數值計算問題的向量化
有些問題，表面上不像是數值計算，但是通過適當的轉化，也可以通過向量化解決。
非等量複製: 比如有一組數[10, 20, 30], 各自要複製成[3, 2, 5]份，最終產生出 [10 10 10 20 20 30 30 30 30 30]。這個問題，雖然簡單，但是因爲不是那麼“整齊”，因此向量化不是特別直接。下面給出一種思路：
首先產生出起始位置標誌向量[1 0 0 1 0 1 0 0 0 0]，然後通過cumsum，產生出[1 1 1 2 2 3 3 3 3 3]，最後以此爲索引，可以得到結果。
% vs: the values to be copied
% ns: the numbers of copies
vs = vs(ns > 0);
ns = ns(ns > 0);
sp = [1, cumsum(ns(1:end-1)) + 1];
result = vs(cumsum(sp));
對於圖像處理或者二維信號問題，善用filter。
比如，要對每個像素，基於其局部鄰域進行一些計算。即使整個計算本身不是線性的，但是只要能分解成線性局部運算的組合，就可以利用filter。
比如，對於圖像I, 產生V，使得V(i, j)是像素I(i, j)周圍w x w鄰域的像素的方差。
I = im2double(I);
h = ones(w, w) / (w * w);
M = imfilter(I, h, 'symmetric');
M2 = imfilter(I.^2, h, 'symmetric');
V = M2 - M.^2;