老实说，最好的想法已经说过了。无论如何，我会尝试综合我的想法。

首先，编写程序的最佳方式是在最短的开发时间内为您提供所需的结果。对于某些应用程序，您需要裸机性能，但很多时候您不需要。由于您到目前为止一直在 Octave 中工作，因此您可能不会属于裸机类别，除非您突然大幅增加问题规模。即使你是，C 与 Fortran 速度的争论在这种规模下也大多无关紧要。如果它是 0.1 秒与 1 秒，即使是 10 倍也没有多大关系。

其次，我的经验是，代码的大部分功能最好由高级语言（如 Matlab、Python 等）处理。通常只有一小部分代码真正受益于额外的编程工作优化它们。通常，这些是内循环求解器、复杂的编译函数等。用高级语言编写程序的大部分内容，然后根据需要调用低级库函数以实现真正的性能密集型内容，这是非常有益的。.mex 文件是 Matlab 处理这个的方式（看起来 Octave 也有这个的克隆）。Python 也特别擅长它，例如 f2py、Cython、numba 等。

第三，也是最后一点，到目前为止，最重要的方面是可供您使用的软件生态系统。Matlab 没有被广泛使用，因为它的速度非常快。它被广泛使用，因为它可以绘制数据、执行 LU 分解、数字积分等等，所有这些都使用简单的命令，并且减少几个月（或几年！）的开发时间几乎总是值得性能损失。

总而言之，您需要量化您的需求（您的问题大小，以及解决方案可接受的时间长度），检查您已经拥有的（用于重用和/或移植），并列出您的生态系统要求（vtk、线性代数等）。根据您为此提出的具体答案，有许多可能的“最佳”选项。其中一些可能包括：

• 保留您的 Octave 代码，但将其重构为使用使用 .mex 文件的外部库，其中性能要求证明了它的合理性。

• 用 Python 重写您的代码，以访问各种库和出色的混合语言编程工具。这就是我在工作中所做的，相当成功。

• 使用 PETSc、MPI 等编写一个新的、完全并行化的 HPC 代码。除非问题规模要求您在超级计算机上运行此代码，否则我认为您应该远离这个代码。我的一个朋友曾经将一个串行 CFD 代码迁移到 PETSc，他花了好几年的时间。YMMV

我认为您将不得不选择您的主要标准：性能、模块化或可移植性。

我拿了一个高度优化的 Fortran 90 代码，并尝试将它模块化，使其更加面向对象，而在面向对象的版本中，性能变得差了 3 倍。我发现为了两全其美，我能做的最好的事情就是制作 OO 数据结构，这些结构都是指向原始非 OO 数据结构的指针。Fortran 使用高效的数组步幅，这使得进行线性代数计算非常快。问题是面向对象 (OO) 方法破坏了您从非 OO 方法中的循环中获得的最佳缓存一致性。这里有一个很好的讨论。

如果您主要关心性能，我会使用 Python / Fortran 90 组合方法并通过 f2py 模块连接它们。Fortran 90 通常比 C 或 C++ 更快，尤其是对于线性代数（尽管取决于平台），并且对 OpenMPI、Lapack 等许多数值库有很好的支持。我会做所有的计算密集型（例如线性代数）在 Fortran 90 中的东西，并在 Python 中完成所有编码密集的东西（例如 vtk）。这里有一个通过 f2py 使用 Fortran 90 / Python 组合方法求解拉普拉斯方程$\nabla^2u=0$. Python 拥有最大的现代高级语言科学计算社区之一，并且对许多模块有很好的支持，尤其是 numpy、scipy 和 vtk 模块。这里有一个通过 Python 的 vtk 模块读取非结构化网格的示例。

另一方面，如果您想要更加模块化和/或可移植，您可能想要考虑使用 Java，但您将不得不牺牲性能。基于 Java 的模拟并没有给我留下太深刻的印象，尤其是在性能方面。

关于参考资料，我认为没有任何书籍涵盖此类问题的软件架构。但是，您可能想查看这篇题为“在面向对象的有限元编程中使用设计模式”的论文。

我对此没有任何经验，但人们对在 Julia 中编写这类问题的兴趣正在迅速增长。所以，你也可以看看这个： http: //www.codeproject.com/Articles/579983/Finite-Element-programming-in-Julia