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

parfor循环或spmd块的主体必须是透明的。透明性意味着所有对变量的引用必须在代码的文本中可见。
在下面的例子中，变量X没有转移到workers。只有字符向量’X’被传递给eval，并且X在循环或块体中不作为输入变量可见。因此，MATLAB®在运行时出现错误。
X = 5;
parfor ii = 1:4
    eval('X');
end

X = 5;
spmd
    eval('X');
end

类似地，您不能通过在parfor或spmd语句中执行clear来清除工作空间中的变量:
parfor ii = 1:4
    <statements...>
    clear('X')  % cannot clear: transparency violation
    <statements...>
end

spmd; clear('X'); end

或者，可以在不再需要变量时将其值设置为空，从而释放该变量所使用的内存。
parfor ii = 1:4
    <statements...>
    X = [];
    <statements...>
end

对于spmd块，可以从客户机工作区中清除它的组合。
一般来说，透明性的要求限制了对变量的所有动态访问，因为在任何给定的worker中可能不存在整个变量。在透明工作区中，如果没有在代码中显式地指定变量，则不能创建、删除、修改、访问或查询变量。
其他违反parfor循环透明性的行为或函数的例子包括:
谁和谁
evalc、evalin和assignin与工作区参数指定为“caller”
保存并加载，除非加载的输出被分配给变量
如果一个脚本试图读取或写入父工作区的变量，那么运行这个脚本可能会导致透明性冲突。为了避免这个问题，可以将脚本转换为函数，并使用必要的变量作为输入或输出参数来调用它。
请注意
透明性只应用于parfor或spmd构造的直接体，而不应用于从那里调用的任何函数。保存和加载的解决方法是在函数中隐藏保存和加载的调用。
MATLAB确实成功地执行了出现在parfor主体中调用的函数中的eval和evalc语句。
并行仿真软件模拟
您可以使用parsim命令并行运行Simulink®模型，而不是使用parfor循环。有关并行使用Simulink的更多信息和示例，请参见运行多个模拟(Simulink)。
如果您的Simulink模型需要访问包含在.mat文件中的变量，则必须将这些参数加载到每个worker的工作空间中。您必须在parpool打开之前和之后执行此操作。要实现这一点，可以使用spmd或parfevalOnAll，如示例所示。
spmd 
    evalin('base', 'load(''path/to/file'')') 
end

parfevalOnAll(@evalin, 0, 'base', 'load(''path/to/file'')')

如果您的模型还需要在MATLAB脚本主体中定义的变量，则必须在每个parfor迭代中使用assignin或evalin将这些变量移动到每个worker的基本工作空间。

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

从官方网站找到了解决方法
根据操作一步步排除（当然要先把Parallel Computing Toolbox给装上）：

确保证书可用

在matlab命令行中输入：

license checkout Distrib_Computing_Toolbox

如果ANS=1，则进行下一步排查，否则可以激活一下证书再看看。
关闭local mpiexec功能

distcomp.feature( 'LocalUseMpiexec', false )

完成了这一步就已经解决了我的问题，官方指引还有其他的排除步骤这里就不一一列举了。可以看到下图SPMD job test成功通过，并且也能将parpool建立起来了。