我一直在使用Matlab和C约10年。对于为我的研究实现的每个数值算法，我总是从使用Matlab的原型开始，然后将项目翻译成C，以获得10倍到100倍(我不是开玩笑)性能改进。当然，我比较优化的C代码和完全矢量化的Matlab代码。平均而言，改善约为50倍。

在这两种编程语言背后有很多细微差别，以下是一些误解：

> Matlab是一个脚本语言，但C是编译

Matlab使用JIT编译器将脚本翻译为机器码，通过使用Matlab提供的编译器，您可以将速度提高1.5倍至2倍。

> Matlab代码可能能够完全矢量化，但是你必须在C中手动优化你的代码

完全矢量化的Matlab代码可以调用用C/C++ / Assembly编写的库(例如Intel MKL)。但是简单的C代码可以由现代编译器合理地矢量化。

> Matlab提供的工具箱和例程应该进行很好的调整，并且应该具有合理的性能

除了线性代数例程之外，性能通常很差。

与矢量化Matlab代码相比，在C中可以获得10x〜100x性能的原因：

>在Matlab中调用外部库(MKL)会花费时间。

> Matlab中的内存是动态分配和释放的。例如，小矩阵乘法：

A = B * C D * E F * G

需要Matlab创建2个临时矩阵。在C中，如果你之前分配你的内存，你创建NONE。现在想象你循环这个语句1000次。 C中的另一个解决方案由C 11 Rvalue引用提供。这是C中最大的改进之一，现在C代码可以像纯C代码一样快。

>如果你想做并行处理，Matlab模型是多进程的，C方式是多线程的。如果你有许多小任务需要并行化，C提供线性增益高达许多线程，但你可能有负面的性能增益在Matlab。

>你通过引用在C中传递大对象，大块的内存，但在Matlab中相当棘手。

> C中的矢量化涉及使用内在/汇编，有时SIMD矢量化只能在C中。

>指针在C的奇迹。成像交换两个矩阵A和B：在Matlab中，它涉及第三个矩阵并且需要3 * N * N个基本复制操作。但在C中，这是通过接近零成本的指针完成的。

>在C中，有经验的编程人员可以完全避免L2高速缓存未命中甚至L1高速缓存未命中，从而将CPU推向其理论吞吐量限制。由于这个原因，Matlab的性能可以落后于C的10倍。

>在C中，计算强度指令有时可以根据它们的延迟(在汇编或内在函数中仔细地代码)和依赖性(大多数时间由编译器或CPU硬件自动完成)来分组，使得理论IPC(每个时钟周期的指令)并达到CPU管线。

然而，与Matlab相比，C中的开发时间也是10倍的因素！

为什么你应该使用Matlab而不是C：

>数据可视化。我认为我的职业生涯可以继续没有C，但我将无法生存没有Matlab只是因为它可以产生美丽的情节！

>低效率，但数学稳健的内置例程和工具箱。首先得到正确的答案，然后谈论效率。人们可以在C中产生微妙的错误(例如隐式地将double转换为int)并获得正确的结果。

>表达你的想法，并向你的同事展示你的代码。 Matlab代码比C更容易阅读和更短，并且Matlab代码可以无需编译器正确执行。我只是拒绝阅读其他人的C代码。我甚至不使用C GNU科学图书馆，因为代码质量不能保证。研究人员/工程师使用C库作为一个黑盒是危险的，并采取准许的准许。即使对于商业C/C++库，我记得英特尔编译器在其sin()函数中有一个符号错误，并且MKL中也出现了数值精度问题。

最后但是同样重要的：

因为一旦Matlab代码被矢量化，对于程序员来说没有多少优化，与C代码相比，Matlab代码性能对代码质量的敏感性要低得多。因此，最好在Matlab中优化计算算法，稍微更好的算法通常在Matlab中具有稍微更好的性能。另一方面，C中的算法测试需要可靠的程序员以相同的方式编写以或多或少优化的算法，并且确保编译器不会以不同的方式优化算法。