parfor的并行思想是把同一批数据分给for循环中不同的循环体，进行处理。spmd的思想则是不同的数据，用同一个程序处理。当然这个程序内部可以编写针对不同情况的处理代码。spmd的内部实现代码限制很少，spmd的灵活性比parfor要高得多。
 
spmd的使用方法如下：
 
startmatlabpool(2)
 
spmd
 
a = magic(labindex )%代码
 
end
 
closematlabpool;结果：
 
Lab 1:
 
a =
 
1
 
Lab 2:
 
a =
 
1     3
 
4     2
 
为了处理不同的情况，spmd实际运行时会获取当前线程编号，用常量labindex表示，等同于openMP的omp_get_thread_num()。
 
问题一：如何在外部手动分配数据？
 
startmatlabpool(2)
 
p = Composite();
 
p{1} = rand(1,3);
 
p{2} = 'hello';
 
spmd
 
disp(p);
 
end
 
closematlabpool;结果：
 
Lab 1:
 
0.793866004096169         0.536373818464747         0.647201517107599
 
Lab 2:
 
hello
 
composite数据是spmd并行结构中最简单的数据，每个labindex线程只访问composite{labindex}数据。不可越界。在关闭并行环境后所有的composite数据都没了。
 
composite数据每个部分可以有不同的数据类型。
 
问题二：分布式计算可以用spmd吗？
 
of course。不过我也没有多台可以分布式计算的电脑，只能试验一下了。
 
分布式计算的一大问题是数据的管理。下面分为两个部分：
 
1、客户端分配
 
客户端(client)使用distributed语句产生分布式数据。默认根据最后一个维度来分配数据，你也可以自己调。下面源码：
 
startmatlabpool(2)
 
a = rand(5,2);
 
p1 = Composite();
 
b = rand(5,2);
 
for i = 1:2
 
p1{i} = a(:,i);
 
end
 
p2 = distributed(b);
 
%p2 = distributed.rand(5,2);%同样可以这样干
 
spmd
 
disp([p1 getLocalPart(p2)]);
 
end
 
closematlabpool;结果：
 
Lab 1:
 
0.101441167942127         0.885325931102933
 
0.395333513944682         0.140505759300116
 
0.604619875183008        0.0679844441385649
 
0.102777340759248         0.890917146877593
 
0.603123131497137         0.862605458737845
 
Lab 2:
 
0.68058153278091         0.239578384767141
 
0.895975215333032         0.435924760832413
 
0.584621985559958         0.831829000715115
 
0.972073878349711         0.212887327746207
 
0.872288140538251          0.18323345771615
 
请注意获取p2要使用getLocalPart语句。
 
2、服务端(线程计算端)分配
 
startmatlabpool(2)
 
spmd
 
X = [1 2;4 5];
 
codist = codistributor1d(1, [1 1]);%1表示第一维度切割，行切割，[1 1]表示每个lab分配一行数据
 
C = codistributed(X, codist);
 
disp([labindex, numlabs]);
 
disp(getLocalPart(C));
 
end
 
closematlabpool;
 
结果Lab 1:
 
1     2
 
1     2
 
Lab 2:
 
2     2
 
4     5

 
1. matlab仿真模型怎么并行计算
 
以单台双核计算机为例。
 
首先打开MATLAB命令窗口，输入matlabpool open就OK了。这样，就相当于将一台计算机的两个核心，当做两台机器用啦。
 
接下来是编程序实现的方法。MATLAB并行计算的模式有几种？主要是两种：parfor模式和spmd模式。
 
两种模式的应用都很简单。第一个中，parfor其实就是parallel+for简化而来，顾名思义啊，就是把原来程序中的for循环中的关键字forg改为parfor就OK啦。
 
不过这是很初步的介绍，限于篇幅不能详细展开了，详细的可以用输入命令help parfor查看：同样地，可以适用于spmd模式。程序举例：例如很简单的一个程序：tic%传统方式计算c1=1;for i = 1:500c1 = c1+max(eig(rand(i,i)));endt1 = toc;matlabpool open;%parfor并行方式计算ticc2=1;parfor ii = 1:500c2 = c2+max(eig(rand(ii,ii)));endt2 = toc;matlabpool close;display(strcat('parfor并行计算时间：'，num2str(t2)，'秒'))；display(strcat('客户端串行计算时间：'，num2str(t1)，'秒'))；分别用传统方式算和parfor算，时间区别如下图所示：这只是用双核计算的效果，如果是4核心8核心，效果要好的多啦，需要用MATLAB的童鞋不妨试试看咯。
 
关闭并行计算模式。
 
2. 怎么处理matlab并行计
 
Matlab并行运算目前，新购置的电脑大部分都是多核的了，使用Matlab进行大量计算时如何有效利用多核呢？Matlab目前版本已经比较好的支持多核并行运算了。
 
是用的Matlab版本是R2007b。电脑是双核的。
 
先简单试试：>> matlabpool local 2Submitted parallel job to the scheduler, waiting for it to start.Connected to a matlabpool session with 2 labs.显示正在进行多核配置，然后，提示连接到2个“实验室”(labs)。我这也理解的：本地虚拟出2台可以运行matlab的工作站，这样用分布式计算工具箱可以进行并行计算(matlabpool这个命令好像是在并行计算工具箱里的)。
 
>> testParallelElapsed time is 7.750534 seconds.这里运行testParallel函数，已经开辟了2个labs，为了进行多核并行运算，testParallel中，要用parfor代替原来的for循环。在运行这个时，观察windows任务管理器，可以发现一共有3个MATLAB.exe进程。
 
其中一个占内存较多的，应该是主控的，他基本不干活，只负责分配，进行计算时他的cpu占用率只有1~2%，剩下两个进程专门用来计算的，跑起来各占cpu 49%左右。看上去还是每个matlab进程单核运算，但是一下开2个进程，所以能把cpu用满。
 
当运行完testParallel后，三个进程的cpu都立刻降为1%左右了。
 
3. matlab仿真模型怎么并行计算
 
以单台双核计算机为例。首先打开MATLAB命令窗口，输入matlabpool open就OK了。
 
这样，就相当于将一台计算机的两个核心，当做两台机器用啦。接下来是编程序实现的方法。
 
MATLAB并行计算的模式有几种？
 
主要是两种：parfor模式和spmd模式。两种模式的应用都很简单。第一个中，parfor其实就是parallel+for简化而来，顾名思义啊，就是把原来程序中的for循环中的关键字forg改为parfor就OK啦。不过这是很初步的介绍，限于篇幅不能详细展开了，详细的可以用输入命令help parfor查看：
 
同样地，可以适用于spmd模式。
 
程序举例：例如很简单的一个程序：
 
tic
 
%传统方式计算
 
c1=1;
 
for i = 1:500
 
c1 = c1+max(eig(rand(i,i)));
 
end
 
t1 = toc;
 
matlabpool open;
 
%parfor并行方式计算
 
tic
 
c2=1;
 
parfor ii = 1:500
 
c2 = c2+max(eig(rand(ii,ii)));
 
end
 
t2 = toc;
 
matlabpool close;
 
display(strcat('parfor并行计算时间：'，num2str(t2)，'秒'))；
 
display(strcat('客户端串行计算时间：'，num2str(t1)，'秒'))；
 
分别用传统方式算和parfor算，时间区别如下图所示：
 
这只是用双核计算的效果，如果是4核心8核心，效果要好的多啦，需要用MATLAB的童鞋不妨试试看咯。
 
关闭并行计算模式。
 
4. matlab并行计算需要设置吗
 
需要的方法一、图形界面设置如图所示位置，单击，选start parallel poolcommand window中会提示Starting parallel pool (parpool) using the 'local' profile 。
 
当并行工具箱启动后会提示链接到本地*个核心。方法二、command启动并行CoreNum=2； %设定机器CPU核心数量if matlabpool('size')<=0 %判断并行计算环境是否已然启动matlabpool('open','local',CoreNum)； %若尚未启动，则启动并行环境elsedisp('Already initialized')； %说明并行环境已经启动。
 
end。
 
5. matlab中如何使用并行运算进行多行语句同时运行
 
可以尝试用 parfor 写入循环，也可以用 batch 命令进行批处理：
 
j = batch(fcn,N,{x1, 。, xn});
 
wait(j) % Wait for the job to finish
 
diary(j) % Display the diary
 
r = fetchOutputs(j); % Get results into a cell
 
arrayr{1} % Display resul具体操作可以参考帮助文档。
 
像这样的问题其实不用并行计算也可以的，有其它方法也可以加快速度，比如使用bsxfun函数，可以同时计算A,B,C中元素：
 
C = bsxfun(fun, A, B)像题主的程序中有四个同样的运算，就可以这样写：
 
C = bsxfun(SRD, SN,GD,DN,RN)其中 C 包含了四个元素，SN,GD,DN,RN分别为函数SDR 输入的第一、二、三、四个参数矩阵(向量)
 
6. matlab并行计算需要设置吗
 
需要的
 
方法一、图形界面设置
 
如图所示位置，单击，选start parallel pool
 
command window中会提示
 
Starting parallel pool (parpool) using the 'local' profile 。
 
当并行工具箱启动后会提示链接到本地*个核心。
 
方法二、command启动并行
 
CoreNum=2； %设定机器CPU核心数量
 
if matlabpool('size')<=0 %判断并行计算环境是否已然启动
 
matlabpool('open','local',CoreNum)； %若尚未启动，则启动并行环境
 
else
 
disp('Already initialized')； %说明并行环境已经启动。
 
end

parfor的并行思想是把同一批数据分给for循环中不同的循环体，进行处理。spmd的思想则是不同的数据，用同一个程序处理。当然这个程序内部可以编写针对不同情况的处理代码。spmd的内部实现代码限制很少，spmd的灵活性比parfor要高得多。
 
spmd的使用方法如下：
 
 
startmatlabpool(2)
spmd 
     a = magic(labindex )%代码
end
closematlabpool;
结果： 
 
Lab 1: 
   
   a =
   
        1
   
 Lab 2: 
   
   a =
   
        1     3
        4     2
 
 
 
为了处理不同的情况，spmd实际运行时会获取当前线程编号，用常量labindex表示，等同于openMP的omp_get_thread_num()。
 
问题一：如何在外部手动分配数据？
 
startmatlabpool(2)
p = Composite();
p{1} = rand(1,3);
p{2} = 'hello';
spmd 
    disp(p);
end
closematlabpool;
结果： 
Lab 1: 
            0.793866004096169         0.536373818464747         0.647201517107599
   
 Lab 2: 
   hello
 
 
composite数据是spmd并行结构中最简单的数据，每个labindex线程只访问composite{labindex}数据。不可越界。在关闭并行环境后所有的composite数据都没了。
 
composite数据每个部分可以有不同的数据类型。
 
 
问题二：分布式计算可以用spmd吗？
 
 
of course。不过我也没有多台可以分布式计算的电脑，只能试验一下了。
 
分布式计算的一大问题是数据的管理。下面分为两个部分：
 
1、客户端分配
 
客户端（client）使用distributed语句产生分布式数据。默认根据最后一个维度来分配数据，你也可以自己调。下面源码：
 
startmatlabpool(2)
a = rand(5,2);
p1 = Composite();
b = rand(5,2);
for i = 1:2
    p1{i} = a(:,i);
end
p2 = distributed(b);
%p2 = distributed.rand(5,2);%同样可以这样干
spmd
    disp([p1 getLocalPart(p2)]);
end
closematlabpool;
结果： 
Lab 1: 
            0.101441167942127         0.885325931102933
            0.395333513944682         0.140505759300116
            0.604619875183008        0.0679844441385649
            0.102777340759248         0.890917146877593
            0.603123131497137         0.862605458737845
   
 Lab 2: 
             0.68058153278091         0.239578384767141
            0.895975215333032         0.435924760832413
            0.584621985559958         0.831829000715115
            0.972073878349711         0.212887327746207
            0.872288140538251          0.18323345771615
 
 
请注意获取p2要使用getLocalPart语句。
 

 
 
2、服务端（线程计算端）分配
 
startmatlabpool(2)
spmd
     X = [1 2;4 5];
    codist = codistributor1d(1, [1 1]);%1表示第一维度切割，行切割，[1 1]表示每个lab分配一行数据
    C = codistributed(X, codist);
    disp([labindex, numlabs]);
    disp(getLocalPart(C));
end
closematlabpool;


 结果Lab 1: 

        1     2

   

        1     2

   

 Lab 2: 

        2     2

   

        4     5

 

 
 

 

matlab 其实可以在多cpu做并行计算，其中一个模式是 spmd
 
在命令行输入（matlab r2014a）：
 

parpool
 
然后可以用spmd模式进行并行计算。
 
用法如下：
 

spmd

statements

end
 

 
 其中statements 为需要并行运行的程序。 
最后，输入一下命令以结束并行计算：
 

delete(gcp('nocreate'))
 

 
 

 
 ok了，可以使用 
tic; statements; toc 来比较一下运行时间