一般来说，这两种性能比较方法都有自己的位置。

• 从某种意义上说，比较CPU 时间是最有趣的指标，因为归根结底，您真正感兴趣的是哪种方法更快。（但要确保终止标准是可比较的；例如，两种方法产生的近似值具有相同的精度）。缺点是这只告诉您在执行测试的机器上哪种方法（更重要的是，哪种实现）更快。不能保证具有不同架构或软件的不同机器会选择相同的赢家。

• 另一方面，比较迭代次数是与机器无关的，但如果这两种方法具有非常不同的迭代，则可能会产生误导——在这种情况下，迭代次数较少但成本较高的方法可能并不可取（例如，用于优化的牛顿法与梯度法如果您只需要非常低的精度）。

所以，是的，给出这两个数字 [1] 是有意义的，而且我经常在出版物中看到它。还有第三种选择：

• 比较基本操作的数量。如果两次迭代都包含相同类型的适当昂贵的操作，但需要不同的数量（每次迭代中甚至可能不是相同的数量），那么计算这些操作的总数是有意义的。在您的情况下，可能的候选者是矩阵向量或矩阵矩阵乘法。

[1] 明确显示多次运行的统计数据；如果您显示均值，请不要忘记包括标准偏差。

我发现迭代次数是一个误导性的指标，因为它暗示了“速度”，而实际上并非如此。有关比较显示这种差异的几个不同预处理器的简单示例，请参见此处： http: //www.dealii.org/developer/doxygen/deal.II/step_6.html#Possibilitiesforextensions

如果在其他答案中不清楚，那么迭代次数对 big-O 参数有什么好处。

这对绝对速度不利，因为这取决于每次迭代的平均时间，这可能在方法之间存在很大差异。

例如，有一种趋势是忽略计算数组索引的成本，这很可能占 CPU 时间的很大一部分。

补充：另外，正如我在其他地方指出的那样，每次调用该方法通常都会产生设置成本。然后，如果矩阵通常不是很大，则该设置成本本身可能占 CPU 时间的很大一部分（这样删除它会在速度上产生很大差异）。