矩阵运算与向量化：MATLAB 的核心
基于进阶语言 · 核于 2026-08
速查
- 矩阵运算（无点号）：
A * B（矩阵乘法）、A ^ 2（矩阵幂 A*A）、A'（共轭转置）、A \ B（左除，解 AX=B）、inv(A)（求逆）、eig(A)（特征值）——按数学规则作用于整个矩阵。 - 逐元素运算（点号 .）：
A .* B（逐元素乘）、A .^ 2（逐元素平方）、A ./ B（逐元素除）——对应位置分别运算。点号是「逐元素」标志。 - 矩阵构造：
[1 2; 3 4]（分号换行，空格/逗号分隔同行）；zeros(m,n)/ones(m,n)/eye(n)（单位阵）/rand(m,n)快速构造。 - 索引从 1 开始：
A(1)是第一个元素；A(2,3)是第 2 行第 3 列；A(:,1)是第 1 列（:表示全部）；A(1:3,:)是前 3 行所有列。 - 矩阵分解：
lu(A)（LU 分解）、qr(A)（QR 分解）、svd(A)（奇异值分解）、chol(A)（Cholesky 分解）——求解线性方程组、最小二乘、降维的基础。 - 线性方程组求解：
x = A \ b（左除，推荐，比inv(A)*b快且数值稳定）；超定方程（最小二乘）也用\。 - 向量化替代循环：
sum(A)/mean(A)/max(A)/cumsum(A)/diff(A)等聚合函数直接作用于矩阵；A .* B替代逐元素循环。向量化快（底层 LAPACK/BLAS）且简洁。 - 数组预分配：循环前用
x = zeros(n,1)预分配，避免每次循环扩容数组（否则慢几个数量级）。 - 广播（Broadcasting）：维度兼容时自动扩展（如矩阵每行加一个行向量
A + row），无需显式复制。
一、矩阵构造与索引
MATLAB 的矩阵构造用方括号，索引用圆括号（从 1 开始）：
matlab
% 构造矩阵
A = [1 2 3; 4 5 6; 7 8 9] % 3×3 矩阵（分号换行）
v = [1 2 3 4 5] % 行向量（空格分隔）
col = [1; 2; 3] % 列向量（分号换行）
% 快速构造
Z = zeros(3, 4) % 3×4 全零矩阵
O = ones(2, 2) % 2×2 全一矩阵
I = eye(3) % 3×3 单位阵
R = rand(2, 3) % 2×3 均匀随机矩阵
n = 1:5 % [1 2 3 4 5]（冒号生成序列）
m = 0:0.1:1 % [0 0.1 0.2 ... 1]（步长 0.1）
% 索引（从 1 开始！）
A(1, 1) % 第 1 行第 1 列 = 1
A(2, :) % 第 2 行所有列 = [4 5 6]
A(:, 3) % 第 3 列所有行 = [3;6;9]
A(1:2, 2:3) % 子矩阵：前 2 行、2-3 列 = [2 3;5 6]
A(end, end) % 最后一行最后一列（end 表示末尾）- 索引从 1：这是 MATLAB（继承自 Fortran）与 Python/JS（从 0）最大的区别。
A(1)是第一个元素，没有A(0)（会报错）。 :是「全部」：A(:,k)是第 k 列全部行，A(k,:)是第 k 行全部列——切片的核心语法。end关键字：索引中end表示该维度的末尾，A(2:end, :)表示第 2 行到最后一行。
二、矩阵运算 vs 逐元素运算详解
matlab
A = [1 2; 3 4];
B = [5 6; 7 8];
% —— 矩阵运算（无点号）——
A * B % 矩阵乘法：[1*5+2*7, 1*6+2*8; 3*5+4*7, 3*6+4*8] = [19 22; 43 50]
A' % 转置（实数矩阵就是转置，复数是共轭转置）：[1 3; 2 4]
A.^2 % 注意：A^2（无点）是 A*A 矩阵幂；A.^2 是逐元素平方
inv(A) % 求逆：[-2 1; 1.5 -0.5]
A \ B % 左除 = inv(A)*B，解 AX=B
eig(A) % 特征值
det(A) % 行列式
% —— 逐元素运算（点号）——
A .* B % 逐元素乘：[5 12; 21 32]
A ./ B % 逐元素除：[0.2 0.333; 0.429 0.5]
A .^ B % 逐元素幂：[1^5 2^6; 3^7 4^8]- 最容易犯的错：想逐元素相乘写成
A * B（矩阵乘法）。如果 A、B 维度不匹配矩阵乘法规则（A 列数 ≠ B 行数），会报错；如果恰好匹配但你要的是逐元素，会得到错误结果且不报错（隐蔽 bug）。 - 记忆：点号 = 逐元素。看到
.就想「对应位置分别算」。 - 标量与矩阵：标量运算无需点号（
2 * A是标量乘矩阵，每元素乘 2）；A + 1每元素加 1。
三、矩阵分解与线性方程组求解
矩阵分解是数值计算的基石——求解线性方程组、最小二乘、特征值问题都靠它：
matlab
A = [4 3; 6 3];
b = [10; 12];
% 解线性方程组 Ax = b（推荐用左除 \）
x = A \ b % [2; 0.667]，比 inv(A)*b 快且稳定
% LU 分解（A = L*U，L 下三角 U 上三角）
[L, U, P] = lu(A)
% QR 分解（A = Q*R，Q 正交 R 上三角，用于最小二乘）
[Q, R] = qr(A)
% 奇异值分解（A = U*S*V'，用于降维/伪逆/PCA）
[U, S, V] = svd(A)
% Cholesky 分解（对称正定 A = R'*R，比 LU 快）
R = chol(A)
% 特征值与特征向量
[V, D] = eig(A) % A*V = V*D，D 对角线是特征值，V 列是特征向量- 为什么用
\而非inv(A)*b：\内部根据矩阵特性自动选最合适的分解（LU/QR/Cholesky），更快（不真正求逆）且数值更稳定（求逆会放大舍入误差）。数值计算的金科玉律：「能解方程就别求逆」。 - 超定方程（方程数 > 未知数）：
A \ b自动做最小二乘求解（用 QR 分解）。 - SVD 的威力：
svd(A)是最稳健的分解，用于伪逆（病态方程求解）、PCA（主成分分析）、数据压缩。
四、向量化编程实战
向量化是 MATLAB 性能的核心——把循环改成矩阵/向量运算：
matlab
n = 1000000;
% ❌ 反面：循环逐元素（慢，且未预分配）
x = [];
for i = 1:n
x(i) = sin(2*pi*i/n);
end
% ✅ 正面：向量化（快几十倍）
i = 1:n;
x = sin(2*pi*i/n); % sin 作用于整个向量
% 矩阵聚合（默认按列）
A = [1 2 3; 4 5 6];
sum(A) % [5 7 9]（每列求和）
sum(A, 'all') % 21（全部求和）
sum(A, 2) % [6; 15]（每行求和，维度 2 = 沿列）
mean(A) % 每列均值
max(A, [], 1) % 每列最大值
% 逻辑索引（向量化筛选）
v = [1 -2 3 -4 5];
pos = v(v > 0) % [1 3 5]（用逻辑向量索引）
v(v < 0) = 0 % 把负数置零（向量化赋值）- 聚合函数的方向：
sum(A)默认沿第一个非单一维度（通常是列，对矩阵得到每列的和）。sum(A,2)沿第 2 维（每行的和）。 - 逻辑索引：
v(v > 0)用逻辑表达式直接筛选元素——等价于 Python 的v[v > 0]，比循环 if 高效。 - 广播：
A + row_vec（矩阵每行加对应列的值）自动广播，无需显式扩展。
五、数组预分配：循环的性能前提
如果非要用循环（无法向量化），必须预分配数组：
matlab
n = 100000;
% ❌ 未预分配：每次循环都重新分配+拷贝，O(n²) 复杂度
x = [];
for i = 1:n
x(i) = i^2; % 每次都扩容 x
end
% ✅ 预分配：一次性分配，O(n) 复杂度
x = zeros(n, 1); % 预分配 n×1 数组
for i = 1:n
x(i) = i^2;
end- 为什么未预分配慢：MATLAB 数组每次扩容要「申请新内存 + 拷贝旧数据」，n 次循环导致 O(n²) 次拷贝。预分配后只需赋值，是 O(n)。
- JIT 缓解：现代 MATLAB 的 JIT 能优化部分未预分配的循环，但仍不如显式预分配 + 向量化。
下一步
掌握矩阵运算与向量化后，下一步进入工具箱、绘图与对比——Signal/Control 工具箱的典型用法、plot/surf 绘图、以及 MATLAB 与 Python/NumPy 的深度对照。