您可以通过运行其他版本的代码来获得灵感。考虑显式写出计算，而不是在循环中使用函数

tic Soln3 = ones(T, N); for t = 1:T for n = 1:N Soln3(t, n) = 3 x(t, n)^2 + 2 x(t, n) - 1; end end toc 在计算机上进行计算的时间：

Soln1 1.158446 seconds. Soln2 10.392475 seconds. Soln3 0.239023 seconds. Oli 0.010672 seconds. 现在，虽然完全“矢量化”的解决方案显然是最快的，但是您可以看到，为每个x条目定义要调用的函数都是巨大的开销。只需明确地写出计算，我们就能获得5倍加速。我猜这表明MATLAB JIT编译器不支持内联函数。根据gnovice的回答，实际上写一个正常的函数要好于匿名函数。尝试一下。

下一步-删除（向量化）内部循环：

tic Soln4 = ones(T, N); for t = 1:T Soln4(t, :) = 3 x(t, :).^2 + 2 x(t, :) - 1; end toc

Soln4 0.053926 seconds. 另一个因素5加速：这些语句中有一些内容表明您应该避免MATLAB中的循环...还是真的？看看这个

tic Soln5 = ones(T, N); for n = 1:N Soln5(:, n) = 3 x(:, n).^2 + 2 x(:, n) - 1; end toc

Soln5 0.013875 seconds. 更接近“完全”矢量化版本。Matlab按列存储矩阵。您应该始终（在可能的情况下）将计算的结构构造为“按列”矢量化。

现在我们可以回到Soln3。循环顺序是“行向”的。让我们改变它

tic Soln6 = ones(T, N); for n = 1:N for t = 1:T Soln6(t, n) = 3 x(t, n)^2 + 2 x(t, n) - 1; end end toc

Soln6 0.201661 seconds. 更好，但仍然很糟糕。单循环-好。双环-不好。我想MATLAB在改善循环性能方面做了不错的工作，但是循环开销仍然存在。如果您要在里面做一些较重的工作，您将不会注意到。但是由于此计算受内存带宽限制，因此您确实会看到循环开销。你会更清楚地看到调用FUNC1那里的开销。

那么，arrayfun怎么了？那里也没有函数inlinig，所以开销很大。但是为什么比双嵌套循环那么糟糕呢？实际上，已经多次广泛讨论了使用cellfun / arrayfun的主题（例如here，here，here和here）。这些函数很慢，您不能将它们用于这种细粒度的计算。您可以将它们用于单元格和数组之间的代码简洁性和精美转换。但是该功能必须比您编写的功能重：

tic Soln7 = arrayfun(@(a)(3 x(:,a).^2 + 2 x(:,a) - 1), 1:N, 'UniformOutput', false); toc

Soln7 0.016786 seconds. 请注意，Soln7现在是一个单元格了。有时这很有用。现在的代码性能非常好，如果需要使用单元格作为输出，则在使用完全矢量化的解决方案后，无需转换矩阵。

那么为什么arrayfun比简单的循环结构慢？不幸的是，由于没有可用的源代码，我们无法确定地说。您只能猜测，由于arrayfun是通用函数，可以处理各种不同的数据结构和参数，因此在简单情况下并不一定很快，您可以将其直接表示为循环嵌套。我们不知道开销来自何处。更好的实施方案可以避免开销吗？也许不吧。但是，不幸的是，我们唯一能做的就是研究性能，以确定哪些情况有效，哪些情况无效。

更新由于该测试的执行时间很短，为了获得可靠的结果，我现在在测试周围添加了一个循环：

for i=1:1000 % compute end 下面给出了一些时间：

Soln5 8.192912 seconds. Soln7 13.419675 seconds. Oli 8.089113 seconds. 您会看到arrayfun仍然很糟糕，但至少比矢量化解决方案差三个数量级。另一方面，具有按列计算的单个循环的速度与完全矢量化的速度一样快……所有操作都在单个CPU上完成。如果我切换到2个内核，则Soln5和Soln7的结果不会改变-在Soln5中，我必须使用parfor使其并行化。忘记加速... Soln7不能并行运行，因为arrayfun不能并行运行。另一方面，Olis矢量化版本：

Oli 5.508085 seconds.