---

前言

在用C/C++编写模型预测控制算法(MPC)的代码时候，由于预测步长和控制步长的设置较大，导致在利用eigen库进行矩阵计算的时候，矩阵n次幂计算时间过长，导致MPC算法难以落地。因此，如何减少MPC的计算时间就显得尤为重要。在我的实践过程中，我对MPC算法进行了两次速度上的提升，当时的预测步长是40，控制步长是15，然后利用osqp-eigen库求解二次规划的(c++的二次规划求解器不是本文章重点)。计算一次的时间是0.12秒，显然不够用，后来在MPC算法中加入了矩阵快速幂的算法，将速度提升到了0.06秒左右，显然还是不够，最后没辙了，将预测步长改为15，控制步长改为5(我记得是这样)，计算一次的时间变为了0.005秒左右。然后了解到英特尔公司的MKL库可以对eigen库的矩阵运算加速，实现了对MPC算法的第二次提速。本文将介绍在Linux系统下，MKL库如何部署到电脑上，并用cmake编译器进行编译。

---

提示：因为本文章用MKL库对eigen库的矩阵运算进行加速，所以这边建议读者您先把eigen库安装到自己的电脑上，eigen库的安装链接如下
eigen库安装教程

一、MKL库的下载

MKL库的百度云链接如下（大概700M左右），只是2018版本，如果读者找到新的版本可以留言，我懒得找了。
2018版本的MKL库

---

二、MKL库的安装与配置

1.MKL库的安装与配置

下载并解压安装包之后，进入到安装包，然后执行如下命令：

$   ./install.sh 

接下来就按照引导进行安装：

图1
此处建议跟我选择的一样，即选择1选项;
并输入你的密码。

图2
按回车健

图3

连续按几次空格

图4
输入accept并回车。

图5

图6
选择1选项

图7
选择1选项

图8
按回车

图9
然后执行以下指令

$  /opt/intel/mkl/bin/mklvars.sh intel64 mod

2.代码测试

测试代码下载。
该测试代码源于该位博主，感谢他的分享，他的相关博客链接点击此，因为该位博主的文件直接用g++编译器进行编译，而我这边使用cmake编译器对代码工程进行管理，只有此处不同。

Cmakelist.txt文件如下配置：

cmake_minimum_required(VERSION 3.0.2) #cmake最低要求版本
project(TestMKL)    #工程名字

#头文件的搜索路径
include_directories(
                     /opt/intel/mkl/include/     
                     include  #-------即/usr/local/include路径
                     )                    
#库的搜索路径
link_directories(/opt/intel/mkl/lib/intel64 
                 /opt/intel/lib/intel64)
                 
#生成可执行程序：mkl_test
add_executable(mkl_test      
               mkl_test.cpp)
               
#将库链接到可执行程序：mkl_test              
target_link_libraries(mkl_test 
                      libmkl_rt.so 
                      pthread
                      libm.so
                      libdl.so
                      )

拿到测试代码后，进入mkl_ws,并打开终端，执行以下指令：

$ cmake .
$ make
$ ./mkl_test

注意：如果编译报错说找不到头文件啥的，这个情况一般是eigen的文件里面找不到MKL库的头文件，只需要把MKL库里面的头文件的绝对路径添加上去就行

---

总结

值得注意的是，在使用MKL库时，电脑最好是搭载了英特尔公司的cpu。
1：因为我自身的电脑是AMD的cpu，在使用MKL库的时候，上面的测试代码在使用MKL库的时候，计算时间是0.38秒,不使用MKL库的计算时间是8.7秒。
2：而实验室的电脑cpu是酷睿i7，同一个代码在使用MKL库的时候，酷睿i7的计算时间是0.058，不使用MKL库的计算时间是6.21秒。