企业官网建设流程全解析

1. 为什么要在C++里调用MATLAB

先把场景说清楚。你手上有一个用C++写的主程序，可能是某个仿真系统、某个数据处理工具，或者某个需要长期稳定运行的服务端程序。同时，团队里有人用MATLAB把算法原型跑通了，里面有大量的矩阵运算、信号处理函数、工具箱调用，甚至还有Simulink生成的模型。现在的问题是：怎么把这两部分接起来？

最直接的想法是用C++把MATLAB的算法重写一遍。但实际操作过的人都知道，这件事的代价极高。MATLAB里一行fft(x)，你用C++手写可能要调FFTW、处理复数数组、管理内存对齐，还得验证数值精度是否一致。更不用说那些工具箱函数，比如滤波器设计、优化求解、统计分布拟合，重写一遍基本等于重新做一个项目。

所以，C++调用MATLAB的核心价值就一句话：复用已有的MATLAB算法资产，同时保留C++主程序的性能和工程结构。这不是为了炫技，而是工程上最省时省力的路径。

适合看这篇总结的人，大概分三类。第一类是做工程软件开发的，主程序是C++，但算法团队交付的是.m文件或.mlx文件。第二类是做硬件在环测试的，C++负责实时调度，MATLAB负责模型运算。第三类是学生或研究者，想把MATLAB验证过的算法嵌入到一个C++项目里做演示或产品化。不管哪一类，核心诉求都一样：让两个世界的数据和函数能互相调用，而且尽量少踩坑。

我前后做过四五个这类项目，从最早的MATLAB Engine方式，到后来的MATLAB Compiler SDK生成库，再到用MATLAB Coder直接生成C++代码，每条路都走过。下面把经验按方案选型、环境配置、实操步骤、问题排查几个维度拆开讲，尽量把每个选择的理由和背后的坑都说清楚。

2. 三条主流路线怎么选

2.1 MATLAB Engine：适合调试和原型验证

MATLAB Engine的本质是让C++程序启动一个MATLAB进程，通过进程间通信来执行MATLAB命令。你可以把它理解成“在C++里开了一个MATLAB的命令行窗口”，只不过这个窗口是通过API来控制的。

它的优点很明确：不需要编译MATLAB代码，不需要额外的工具箱授权（除了MATLAB本身），支持几乎所有MATLAB函数，包括那些无法用Coder生成的函数。调试阶段特别方便，因为你可以直接在C++里执行eval字符串，看到MATLAB那边的变量和输出。

但缺点同样明显。首先，它依赖本机安装的MATLAB，部署时必须确保目标机器有MATLAB和对应的授权。其次，每次调用都有进程间通信的开销，单次调用大概在毫秒级别，如果算法本身很快，这个开销占比就很大。第三，它不适合多线程并发调用，Engine的API在并发场景下需要加锁，否则容易出问题。

我一般把Engine方式用在两个场景：一是算法还在频繁迭代，需要快速验证；二是最终产品不需要独立部署，运行环境里本来就有MATLAB。

2.2 MATLAB Compiler SDK：适合独立部署

Compiler SDK的思路是把MATLAB函数编译成C/C++共享库，然后C++程序像调用普通动态库一样调用它。编译出来的库依赖MATLAB Runtime，这是一个免费的运行时环境，不需要MATLAB授权。

这条路线的核心优势是部署干净。目标机器只需要装MATLAB Runtime，不需要装完整的MATLAB。调用开销也比Engine小很多，因为不涉及进程间通信，是直接的函数调用。

但限制也很清楚。首先，不是所有MATLAB函数都支持编译，比如某些符号计算、某些工具箱的特定函数，编译时会直接报错。其次，每次修改MATLAB代码都需要重新编译生成库，迭代速度比Engine慢。第三，MATLAB Runtime的版本必须和编译时使用的MATLAB版本匹配，版本管理要小心。

我通常在产品化阶段选这条路，尤其是需要把算法交付给第三方、又不想暴露源码的场景。

2.3 MATLAB Coder：适合性能敏感场景

MATLAB Coder直接把MATLAB代码转换成C/C++源码。你拿到的是纯C++代码，不依赖MATLAB Runtime，可以嵌入到任何C++项目里，性能也最好。

但它的限制最多。首先，不是所有MATLAB代码都能转换，必须满足Coder的子集要求，比如不支持动态类型、不支持某些高级数据结构。其次，转换后的代码可读性一般，调试起来比较麻烦。第三，需要MATLAB Coder的授权，不是所有MATLAB版本都包含。

我一般只在算法固定、性能要求高、且不需要频繁修改的场景下用Coder。比如某个已经验证稳定的滤波算法，要嵌入到实时系统里，这时候Coder生成的代码最合适。

2.4 三条路线的对比

选哪条路，核心看三个问题：目标机器能不能装MATLAB？算法会不会频繁改？性能要求有多高？把这三点想清楚，选择就不难了。

3. 环境配置与版本匹配的坑

3.1 版本兼容性是第一道坎

MATLAB和C++编译器的版本匹配，是这类项目里最容易出问题的地方。MATLAB每个版本支持的编译器列表是固定的，比如某个MATLAB版本只支持特定版本的Visual Studio或GCC。如果你用的编译器不在支持列表里，mex编译会直接失败，或者编译出来的库在运行时报错。

我的做法是：先确定MATLAB版本，然后去查该版本支持的编译器列表，再安装对应的编译器。不要反过来，先装最新编译器再配MATLAB，那样大概率会踩坑。

另外，MATLAB Runtime的版本必须和编译时使用的MATLAB版本一致。比如你用某个版本的MATLAB编译了库，目标机器上就必须装对应版本的Runtime。Runtime不能跨版本兼容，这一点在部署文档里要写清楚。

3.2 环境变量与路径配置

Engine方式需要C++程序能找到MATLAB的安装路径。通常需要设置PATH环境变量，把MATLAB的bin目录加进去。在Windows上，还需要确保MATLABROOT环境变量指向正确的安装目录。

Compiler SDK方式需要配置库路径和头文件路径。编译时用mcc命令生成库，然后把生成的.h、.lib、.dll文件放到C++项目里。注意，生成的库文件名和函数名可能和MATLAB函数名不完全一致，需要看生成的文档。

Coder方式生成的是源码，直接加入C++项目即可。但要注意生成代码的依赖项，有些情况下需要手动添加额外的源文件。

3.3 一个容易被忽略的细节：字符编码

MATLAB的字符串默认是UTF-16，而C++的std::string通常是UTF-8或本地编码。在传递字符串参数时，如果编码不一致，会出现乱码或函数调用失败。我的经验是，在C++侧统一用mwString或mwArray的字符串接口，避免直接传char*。如果必须传，确保在边界处做编码转换。

4. Engine方式的实操步骤

4.1 初始化与启动

Engine方式的核心类是matlab::engine::MATLABEngine。在C++里启动MATLAB的典型代码如下：

#include "MatlabEngine.hpp" #include "MatlabDataArray.hpp" using namespace matlab::engine; int main() { // 启动MATLAB引擎 std::unique_ptr<MATLABEngine> matlabPtr = startMATLAB(); // 执行MATLAB命令 matlabPtr->eval(u"disp('Hello from MATLAB')"); return 0; }

这段代码看起来简单，但有几个细节要注意。startMATLAB()会启动一个新的MATLAB进程，这个过程大概需要几秒钟。如果程序需要频繁启动和关闭，建议在程序初始化时启动一次，然后复用这个matlabPtr。

另外，eval的参数是std::u16string，不是普通的std::string。这是因为MATLAB内部用UTF-16。如果你从配置文件读取命令，需要先做编码转换。

4.2 数据交换：mwArray与matlab::data

Engine方式的数据交换有两种接口：旧的mwArray和新的matlab::data::Array。新接口更类型安全，推荐使用。

创建一个MATLAB数组并传给引擎：

#include "MatlabDataArray.hpp" using namespace matlab::data; // 创建一个2x3的double矩阵 ArrayFactory factory; TypedArray<double> matrix = factory.createArray<double>({2, 3}, { 1.0, 2.0, 3.0, 4.0, 5.0, 6.0 }); // 把矩阵放到MATLAB工作区 matlabPtr->setVariable(u"inputMatrix", matrix); // 在MATLAB里调用函数 matlabPtr->eval(u"resultMatrix = myFunction(inputMatrix);"); // 取回结果 TypedArray<double> result = matlabPtr->getVariable(u"resultMatrix");

这里的关键是ArrayFactory和TypedArray。ArrayFactory负责创建各种类型的数组，TypedArray是模板类，支持double、float、int等类型。取回数据时，可以用result.getDimensions()获取维度，用result[i]或迭代器访问元素。

注意：getVariable返回的是数组的副本，如果数据量很大，会有内存拷贝开销。对于大矩阵，可以考虑用matlab::data::Array的引用语义，或者直接在MATLAB侧处理完再取回小结果。

4.3 调用MATLAB函数并传参

假设你有一个MATLAB函数myFilter.m，定义如下：

function y = myFilter(x, fs, cutoff) [b, a] = butter(4, cutoff/(fs/2)); y = filtfilt(b, a, x); end

在C++里调用它：

// 准备输入参数 TypedArray<double> x = factory.createArray<double>({1000, 1}, signalData); TypedArray<double> fs = factory.createScalar(1000.0); TypedArray<double> cutoff = factory.createScalar(50.0); // 调用函数 std::vector<Array> args = {x, fs, cutoff}; std::vector<Array> results = matlabPtr->feval(u"myFilter", args); // 取回结果 TypedArray<double> y = results[0];

feval是调用MATLAB函数的核心接口。第一个参数是函数名，第二个参数是参数列表。返回值是一个std::vector<Array>，因为MATLAB函数可能返回多个值。

这里有个细节：feval的函数名不需要加.m后缀，但函数必须在MATLAB的搜索路径里。如果函数在某个特定目录下，需要先用addpath把目录加进去。

4.4 异常处理

Engine的API会抛出matlab::engine::MATLABException异常。如果MATLAB函数执行出错，比如参数类型不对、函数不存在，都会抛异常。所以调用feval和eval时，建议用try-catch包起来：

try { matlabPtr->eval(u"result = myFunction(input);"); } catch (const matlab::engine::MATLABException& e) { std::cerr << "MATLAB error: " << e.what() << std::endl; }

e.what()返回的是UTF-16字符串，需要转换成std::string才能输出。可以用matlab::engine::convertUTF16StringToUTF8String做转换。

5. Compiler SDK方式的实操步骤

5.1 编译MATLAB函数为库

Compiler SDK的核心命令是mcc。假设你要把myFilter.m编译成C++共享库：

mcc -W cpplib:libmyFilter -T link:lib myFilter.m

这条命令会生成libmyFilter.h、libmyFilter.lib、libmyFilter.dll等文件。-W cpplib:指定生成C++库，-T link:lib指定生成链接库。

如果MATLAB函数有多个文件，比如myFilter.m依赖helper.m，需要把依赖文件也列出来：

mcc -W cpplib:libmyFilter -T link:lib myFilter.m helper.m

编译过程中，MATLAB会分析依赖关系，把需要的函数打包进去。但有些工具箱函数可能无法打包，编译时会报错。这时候需要检查函数是否在支持列表里。

5.2 在C++中调用生成的库

生成的库使用mwArray作为数据接口。典型的调用代码如下：

#include "libmyFilter.h" int main() { // 初始化MATLAB Runtime if (!libmyFilterInitialize()) { std::cerr << "Failed to initialize library" << std::endl; return -1; } // 准备输入数据 double signalData[1000] = { /* ... */ }; mwArray x(1000, 1, mxDOUBLE_CLASS); x.SetData(signalData, 1000); mwArray fs(1, 1, mxDOUBLE_CLASS); fs(1, 1) = 1000.0; mwArray cutoff(1, 1, mxDOUBLE_CLASS); cutoff(1, 1) = 50.0; // 调用函数 mwArray y; myFilter(1, y, x, fs, cutoff); // 取回结果 double* resultData = new double[1000]; y.GetData(resultData, 1000); // 清理 delete[] resultData; libmyFilterTerminate(); return 0; }

这里有几个关键点。第一，libmyFilterInitialize()和libmyFilterTerminate()必须成对调用，前者初始化Runtime，后者释放资源。第二，mwArray的构造函数参数是行数、列数和类型。第三，myFilter函数的第一个参数是输出参数个数，第二个是输出数组，后面是输入参数。

注意：mwArray的内存管理是引用计数，但GetData返回的是原始指针，需要手动管理内存。如果数据量很大，建议用mwArray的GetData重载版本，直接传入预分配的缓冲区。

5.3 部署时的Runtime配置

目标机器需要安装MATLAB Runtime。Runtime的安装包可以从MATLAB安装目录里找到，或者用mcrinstaller命令生成。安装后，需要把Runtime的bin目录加到PATH里，否则程序启动时会找不到依赖库。

另外，Runtime的版本必须和编译时使用的MATLAB版本一致。如果目标机器上装了多个版本的Runtime，需要确保程序加载的是正确版本。在Windows上，可以用SetDllDirectory指定Runtime的路径。

6. MATLAB Coder方式的实操步骤

6.1 生成C++代码

MATLAB Coder的使用方式是在MATLAB里配置一个Coder项目，然后生成代码。核心步骤是：

% 创建Coder配置 cfg = coder.config('lib'); cfg.TargetLang = 'C++'; % 指定输入参数类型 args = {coder.typeof(0, [1000, 1]), coder.typeof(0), coder.typeof(0)}; % 生成代码 codegen -config cfg myFilter -args args -report

codegen命令会生成一个codegen目录，里面有myFilter.cpp、myFilter.h等文件。-report选项会生成一个报告，显示哪些函数被转换了，哪些没有。

生成的代码是纯C++，不依赖MATLAB Runtime。但要注意，生成的代码可能包含一些MATLAB特有的数据结构，比如emxArray_real_T，这是Coder用来表示动态数组的。在C++侧调用时，需要按这些结构来传参。

6.2 集成生成的代码

生成的代码通常包含一个入口函数，比如myFilter。调用方式如下：

#include "myFilter.h" int main() { // 准备输入数据 double signalData[1000] = { /* ... */ }; emxArray_real_T* x = emxCreateWrapper_real_T(signalData, 1000, 1); double fs = 1000.0; double cutoff = 50.0; // 准备输出 emxArray_real_T* y = emxCreate_real_T(1000, 1); // 调用函数 myFilter(x, fs, cutoff, y); // 使用结果 for (int i = 0; i < y->size[0]; i++) { std::cout << y->data[i] << std::endl; } // 清理 emxDestroyArray_real_T(x); emxDestroyArray_real_T(y); return 0; }

emxArray_real_T是Coder生成的动态数组类型。emxCreateWrapper_real_T创建一个包装现有数据的数组，不拷贝数据。emxCreate_real_T创建一个新的数组，会分配内存。使用完后必须用emxDestroyArray_real_T释放。

注意：Coder生成的代码默认使用emxArray，但如果输入输出是固定大小的，可以在Coder配置里关闭动态内存分配，生成更简单的接口。在coder.config里设置cfg.DynamicMemoryAllocation = 'Off'即可。

6.3 性能调优

Coder生成的代码性能通常比手写的C++差一些，因为要处理MATLAB的语义，比如边界检查、动态类型等。如果性能不够，可以尝试以下优化：

• 关闭运行时检查：cfg.RuntimeChecks = false
• 开启编译器优化：在C++项目里用-O2或-O3
• 使用固定大小数组：避免动态内存分配
• 内联小函数：cfg.InlineBetweenUserFunctions = 'Always'

这些优化会牺牲一些安全性，但能显著提升性能。我实测过一个滤波算法，关闭运行时检查后，速度提升了大概30%。

7. 常见问题与排查技巧

7.1 编译报错：找不到头文件

这是最常见的问题。Engine方式需要包含MatlabEngine.hpp和MatlabDataArray.hpp，这两个文件在MATLAB安装目录的extern/include下。Compiler SDK方式需要包含生成的.h文件，通常在mcc输出目录里。

排查步骤：

1. 确认MATLAB安装路径是否正确
2. 检查C++项目的包含目录是否加了extern/include
3. 检查库目录是否加了extern/lib和bin/win64（Windows）或bin/glnxa64（Linux）

7.2 运行时错误：找不到DLL

Windows上最常见的是libmx.dll、libmat.dll、libeng.dll找不到。这些DLL在MATLAB的bin/win64目录下。解决方法有两种：一是把该目录加到PATH环境变量；二是把DLL拷贝到可执行文件同目录。

Compiler SDK方式还需要mclmcrrt*.dll，这些在MATLAB Runtime的bin/win64目录下。

7.3 数据不一致：矩阵维度对不上

MATLAB的矩阵是列优先存储，C++的数组通常是行优先。在传递多维数组时，如果维度顺序搞错，结果会完全不对。我的经验是：在C++侧创建mwArray或TypedArray时，明确指定行数和列数，不要依赖默认行为。取回数据时，先用getDimensions()确认维度，再访问元素。

7.4 性能问题：调用开销太大

Engine方式的单次调用开销在毫秒级，如果算法本身很快，这个开销占比就很大。优化方法：

• 批量处理：一次调用处理多个数据，而不是循环调用
• 减少数据拷贝：用引用语义传递大数组
• 考虑改用Compiler SDK或Coder

Compiler SDK的调用开销在微秒级，Coder在纳秒级。如果性能要求高，优先考虑后两者。

7.5 版本冲突：多个MATLAB版本共存

如果机器上装了多个MATLAB版本，环境变量可能指向错误的版本。排查方法：

• 检查PATH里MATLAB的bin目录顺序
• 检查MATLABROOT环境变量
• 在代码里打印MATLAB版本：matlabPtr->eval(u"disp(version)")

7.6 常见问题速查表

8. 我踩过的几个坑和对应技巧

第一个坑是在循环里反复调用Engine。早期做一个数据处理项目，我在C++循环里逐条调用MATLAB函数，结果速度慢得无法接受。后来改成把数据攒成一批，一次传给MATLAB处理，速度提升了两个数量级。这个经验告诉我：Engine方式一定要批量处理，不要频繁跨进程通信。

第二个坑是忽略MATLAB函数的路径依赖。有一次feval一直报函数不存在，查了半天才发现函数在某个子目录里，而MATLAB的当前工作目录不对。后来养成习惯：在C++程序启动时，先用eval执行addpath，把所有需要的目录加进去。

第三个坑是Compiler SDK编译时漏了依赖文件。MATLAB函数如果调用了其他.m文件，mcc命令必须把这些文件都列出来，否则运行时会报函数未定义。更隐蔽的是，有些依赖是动态的，比如通过str2func调用的函数，mcc分析不出来，需要手动用-a选项添加。

第四个坑是Coder生成的代码在Release模式下崩溃。Debug模式下正常，Release模式下崩溃，最后发现是Coder生成的代码里有未初始化的变量，Debug模式下恰好是0，Release模式下是随机值。解决方法是在Coder配置里开启cfg.RuntimeChecks，或者在C++侧确保所有输入都初始化。

第五个坑是MATLAB Runtime版本不匹配。有一次在目标机器上装了新版本的Runtime，结果程序启动时报错。后来查文档才知道，Runtime必须和编译时的MATLAB版本完全一致，不能跨版本使用。现在我在部署文档里会明确写清楚Runtime的版本号。

最后分享一个实用技巧：用MATLAB的diary功能记录Engine的调用日志。在C++程序里执行eval(u"diary('engine_log.txt')")，MATLAB会把所有命令和输出写到日志文件里。排查问题时，这个日志比C++侧的异常信息有用得多。

另一个技巧是用mwArray的ToString方法快速查看数据。调试时，把mwArray转成字符串打印出来，比逐个元素访问快得多。虽然性能不好，但调试阶段非常方便。

还有一个经验：尽量把MATLAB代码写成纯函数，不要依赖全局变量或持久变量。这样无论是Engine、Compiler SDK还是Coder，行为都更可预测。全局变量在Engine方式下可能正常工作，但在Coder方式下可能直接报错。

关于性能优化，我的建议是先测量再优化。用tic和toc在MATLAB侧测量算法本身的耗时，用C++的计时器测量调用开销。如果算法耗时远大于调用开销，那优化调用方式意义不大；如果调用开销占比高，再考虑换方案或批量处理。

最后一点：版本控制要包含MATLAB代码和生成的库。MATLAB代码用Git管理，生成的库文件（.dll、.lib、.h）也建议纳入版本控制，或者至少记录生成时的MATLAB版本和mcc命令。否则过几个月再想重新生成，可能因为环境变化而失败。