在科研中，大多数论文其实还是看精度和效果的，对于速度其实没有那么高的追求，很多人用速度评价自己算法的复杂度很低，但实际上这是不准确的，当然在精度占优的情况下，能够提高速度，给自己的实验结果增彩。

关于算法程序的加速，在动手前先要按照如下流程进行思考，以决定从哪里入手加速。

• 算法优化，指降低算法计算复杂度，设计新算法快速求解，比如Hungarian匹配算法。或牺牲一些内存，预计算一些重复计算的过程，减少程序层面的复杂度。
• 语言更换，指将自己算法迁移到更加底层的算法，越是低级的算法，执行速度越快。常见地，将Matlab、Python等解释性代码移植到C++平台，往往有5-20倍的加速效果。
• 算法并行，指将自己算法的独立计算部分，分成几块，利用CPU指令集、多核或GPU的特性实现加速。多核并行和CUDA并行最为常见。
• 汇编加速，将自己的一片代码指定为自己设计的汇编语言。多种C++编译器实际上也是将语言转换为汇编代码，对汇编进行加速在嵌入式中常见。(该方法对平台有需求，并不常见)
• 硬件加速，利用特殊硬件处理特殊算法，降低CPU架构的复杂度。常见的就是FPGA。
• 光学加速，利用参数制作特定的光散射模型，输入目标光源直接得到输出结果。（离谱的加速方式，目前停留在概念）

强烈注意：
所有的优化，都是在自己算法流程不变的前提下进行优化，因为优化后的程序，高度面向过程，如果算法某个流程要换以达到更高精度，则改动工作量较大。

下面我对每种加速方法进行详细的说明（本文只列举加速方法，并给出几种参考示例，并不会详细讲解如何使用，仅介绍思想）。