查找和替换、maxtrix-matrix 乘法和元素矩阵-矩阵乘法等标准操作的成本是众所周知的：查看相应的 wiki 站点。

如果您真的想知道您的 MATLAB 安装做了什么，您可以随时继续测量时间，例如，

t = zeros(1,100);
for n = 1:100
    A = rand(n,n);
    B = rand(n,n);
    tic;
    C = A*B;
    t(n) = toc;
end
plot(t)

这也可以让您对缓存行为等有所了解。

Matlab 6 曾经有一个 flop计算它们的函数，但在以后的版本中被删除了。主要原因是技术上的（他们改用 LAPACK 作为线性代数核心，但它没有返回失败计数）。

今天这个选项不再可用；没有简单的等价物，所以如果你想拥有一个，你必须使用定义和你对如何实现这些操作的最佳猜测自己计算它们。提出大 O 估计应该很容易；并不总是这样来确定确切的常数。在您要求的示例中，很容易猜测 Matlab 正在做什么并手动计算操作，但并非总是如此。

在某些情况下，例如用于计算特征值 ( eig) 的 QR/Francis 算法，这个“常数”将取决于特定的矩阵。Higham's Function of Matrices的附录 C包含一些稠密线性代数运算的良好参考值。然而，真正的答案取决于 Matlab 和 LAPACK 实现的细节，因为前者是闭源的，所以最终是未知的，而且它经常会随着版本的变化而变化。

另外，让我指出，答案取决于您如何定义$O$/$\Theta$复杂性。大多数理论论文中的一个常见选择是“算术运算，例如求和和乘积计数为 1，其他一切都是免费的”（有时称为flop count）。然而，使用这个定义，find成本为零，因为它进行了一堆比较但没有真正的算术运算。要扮演魔鬼的拥护者，您甚至可以用一堆比较和赋值来代替浮点运算。所以有很多理由认为这不是一个好的选择。

对于一个不太人为的例子，考虑完全旋转的高斯消除：它与部分旋转具有相同的失败计数成本，但它涉及$O(n^3)$比较而不是$O(n^2)$，这些比较增加了它的实际成本。

此外，现代计算机上的执行时间不再（仅）取决于触发器。内存布局、缓存未命中、分支预测等细节影响很大。除了运行它并测量时间之外，没有简单的方法来判断一个操作需要多长时间。查看此线程以获取启发性示例。关于如何降低线性代数运算中的内存访问等“隐藏成本”，有一个完整的研究领域；例如，查看Jim Demmel 主页上的“避免通信的算法”部分。

Matlab 本身的性能是另一罐蠕虫。Matlab 是一种解释型语言，它在字里行间做了很多额外的工作和簿记。如果您使用 Matlab 分析器检查哪些指令花费的时间最多，您通常会发现罪魁祸首是令人惊讶的不寻常的行，例如内存分配、比较或对几乎什么都不做的函数的调用。仅仅将函数放在名称空间或类中就会对其执行时间产生巨大影响。JIT 编译器（Matlab 加速器）优化了一些紧凑的周期，但由于它本身是封闭源代码且不断发展，因此无法预测它是否以及何时启动。Mathworks 明确拒绝提供一个接口来判断一个函数是否有是否经过 JIT 编译。

要从整体上检查您的实现，您可以使用 MATLAB 的分析器。它是一种内置功能，可以根据执行时间分析您的代码。

它为所有类型的测量提供了一个接口，您可以深入研究结果，直至特定代码行的执行时间。