用 Matlab 进行大规模科学计算或仿真时，内存是一个需要时常注意的问题。在matlab里运行
>>system_dependent memstats
就可以看到内存的使用状况。当你写的 Matlab程序跳出“Out of Memory”时，以下几点措施是需要优先考虑的解决方法：
1. 升级内存
2. 升级64位系统
3. 增加虚拟内存
4. 采用3GB开关启动系统由于32位 Windows操作系统的限制，每个进程只能使用最多 2GB 的虚拟内存地址空间，因此 Matlab的可分配内存也受到相应的限制。Matlab 7.0.1 引进了新的内存管理机制，可以利用 Windows的 3GB 开关，使用 3GB开关启动的 Windows 每个进程可以在多分配 1 GB的虚拟地址空间。具体做法是：修改C盘根目录 boot.ini启动选项加上 /3G，例如：
multi(0)disk(0)rdisk(0)partition(1)\WINDOWS="Microsoft Windows XP Professional" /noexecute=optin /fastdetect /3G
5. 如果必有必要，不要启动Java虚拟机，采用matlab -nojvm启动（在快捷方式属性里面的 "..../matlab.exe"）改为（"...../matlab.exe" - nojvm）
6. 关闭Matlab Server
7. Windows中字体、窗口等都是要占用系统资源的，所以在Matlab运行时尽量不要打开不用的窗口。
除此以外，更关键的是需要弄清楚以下几个问题：
问题一：Matlab是如何存储矩阵的？
Matlab中矩阵是以Block，也就是块的形式存储的。也就是说，当Matlab在为即将存储的矩阵划分块时，如果没有相应大小的连续内存，即使实际内存没有被完全使用，它还是会报告“Out of Memory”。
问题二：如何高效使用Memory？
Matlab 中数组必须占用连续分配的内存段，当无法为新建的数组分配连续的内存段的时候，”Out of Memory”就会出现。在使用的过程中，由于存储单元的不断的被分配和清除，反复分配和释放数组会使内存被分割成不连续的区域，可用的连续内存段减少，很容易造成“Out of Memory”。因此当 Matlab 刚刚启动时其连续内存最多，此时往往可以新建非常大的数组，这一点可以用命令 feature(’memstats’)（在 7.0 版本以上）看出。如果现实的最大连续内存段很小，但实际可用内存（非连续的）仍旧很多，则表明内存中碎片太多了。此时可以考虑用 pack命令，pack 命令的作用就是将所有内存中的数组写入硬盘，然后重新建立这些数组，以减少内存碎片。此外，在命令行或者程序中都可以使用 clear命令，随时减少不必要的内存。
因此，治本的方法如下：
1. 在命令行输入 pack整理内存空间
当内存被分为很多碎片以后，其实本身可能有很大的空间，只是没有作构的连续空间即大的Block而已。如果此时Out of Memory，此时使用pack命令可以很好的解决此问题。
2. 使用稀疏矩阵或将矩阵转化成稀疏形式 sparse
如果矩阵中有大量的0，最好存储成稀疏形式。稀疏形式的矩阵使用内存更少，执行时间更短。例如：
1000×1000的矩阵X，它2/3的元素为0，使用两种存储方法的比较：
Name
Size
Bytes
Class
X
1000x1000
8000000
double array
Y
1000x1000
4004000
double array (sparse)
3. 尽量避免产生大的瞬时变量，把没必要的变量clear掉或当它们不用的时候应该及时clear。
4. 减少变量，尽量的重复使用变量（跟不用的clear掉一个意思）。
5. 把有用的变量先save，后clear掉，需要时再读出来。
下面介绍一下关于clear、save、load的特殊用法，这对在for或while等多重循环里出现out of memory非常有效。
for k = 1:N % N为循环次数
% ---------------------
var0 = k; %获得变量var0
%----------------------
string = [sprintf('var_%d', k) ' = var0;' ];
eval(string); %等价于 var_k = var0;
save(sprintf('var_%d.mat', k), sprintf('var_%d')); %等价于 save var_k.mat var_k
clear(sprintf('var_%d')); %等价于 clear var_k
end
如果要读取刚才存取的变量var_k, (k = 1,2, ..., N).那么，可以使用如下用法：
for k = 1:N
load(sprintf('var_%d.mat', k)); %等价于 load var_k.mat k = 1,2, ..., N
end
另外，还有一些非常有用的用法。如果用清除刚才读取的变量 var_k, k = 1, 2, ..., N
clear '-regexp' '^var_' %清除所有以“ var_ ”开头的变量
还有很多关于save、clear、load等用法，具体help一下。
6. 使用单精度 single短整数替代双精度 double
Matlab 默认的数字类型是双精度浮点数 (double)，每个双浮点数占用 8个字节。对于一些整数操作来说，使用双浮点数显得很浪费。在 Matlab 中可以在预先分配数组时指定使用的数字类型如以下命令：zero(10, 10, ‘uint8′)。对于浮点数，在很多精度要求不高的情况下，可以使用4个字节的单浮点数 (single)，可以减少一半的内存。关于单、双浮点数的精度对照如下，以便根据需要选择使用：
single: 精度 (1.1921e-007) 最大数 (3.4028e+038)
double: 精度 (2.2204e-016) 最大数 (1.7977e+308)
7. 为矩阵变量预制内存而不是动态分配
在动态分配的过程中，由于开始Matlab所用的Block随着矩阵的增大而连续的为此矩阵分配内存，但是由于Block的不连续性，很有可能最开始分配的Block不能满足存储的需要，Matlab只好移动此Block以找到更大的Block来存储，这样在移动的过程中不但占用了大量的时间，而且很有可能它找不到更大的块，导致Out of Memory。而当你为矩阵变量预制内存时，Matlab会在计算开始前一次性找到最合适的Block，此时就不用为变量连续的分配内存。比较下面两个程序：
for k = 2:1000 x(k) = x(k-1) + 5; end x = zeros(1, 1000); for k = 2:1000 x(k) = x(k-1) + 5; end
显然，第二个更好！！！最好的方法是，在程序一开始就位所有大的矩阵变量预制存存储单元！！！
8. 尽量早的为大的矩阵变量预制内存
Matlab使用heap method管理内存。当在Matlab heap中没有足够的内存使用时，它会向系统请求内存。但是只要内存碎片可以存下当前的变量，Matlab会重新使用内存。比如：
a = rand(1e6,1); b = rand(1e6,1);
使用大约15.4 MB RAM
c = rand(2.1e6,1);
使用近似16.4 MB RAM
a = rand(1e6,1); b = rand(1e6,1); clear c = rand(2.1e6,1);
使用32.4 MB RAM
Matlab不能使用a、b被clear的空间，因为它们均小于2.1 MB，而同时它们也很可能是不连续的。最好的方法：
c = rand(2.1e6,1); clear a = rand(1e6,1); b = rand(1e6,1);
使用16.4 MB RAM
9. 如果可行的话，将一个大的矩阵划分为几个小的矩阵，这样每一次使用的内存减少。