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 三条路线的对比对比维度MATLAB EngineCompiler SDKMATLAB Coder部署依赖需要完整MATLAB需要MATLAB Runtime无依赖调用开销毫秒级微秒级纳秒级支持函数范围几乎全部大部分子集迭代速度快中慢授权要求MATLABMATLAB Compiler SDKMATLAB Coder适合阶段调试/原型产品化性能敏感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_ptrMATLABEngine matlabPtr startMATLAB(); // 执行MATLAB命令 matlabPtr-eval(udisp(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::dataEngine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; TypedArraydouble matrix factory.createArraydouble({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(uinputMatrix, matrix); // 在MATLAB里调用函数 matlabPtr-eval(uresultMatrix myFunction(inputMatrix);); // 取回结果 TypedArraydouble result matlabPtr-getVariable(uresultMatrix);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 TypedArraydouble x factory.createArraydouble({1000, 1}, signalData); TypedArraydouble fs factory.createScalar(1000.0); TypedArraydouble cutoff factory.createScalar(50.0); // 调用函数 std::vectorArray args {x, fs, cutoff}; std::vectorArray results matlabPtr-feval(umyFilter, args); // 取回结果 TypedArraydouble 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::vectorArray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(uresult 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 -reportcodegen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。排查步骤确认MATLAB安装路径是否正确检查C项目的包含目录是否加了extern/include检查库目录是否加了extern/lib和bin/win64Windows或bin/glnxa64Linux7.2 运行时错误找不到DLLWindows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CoderCompiler 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(udisp(version))7.6 常见问题速查表问题现象可能原因解决方法编译时报找不到头文件包含路径未配置添加MATLAB的extern/include目录运行时找不到DLL库路径未配置添加MATLAB的bin目录到PATH矩阵结果不对维度顺序错误确认行优先/列优先检查维度参数调用速度慢Engine通信开销批量处理或改用Compiler SDK版本不匹配多版本共存检查PATH和MATLABROOT字符串乱码编码不一致统一用UTF-16或做编码转换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0Release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(udiary(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。