Matlab加速循环计算

今天在整理一些MATLAB的parfor加速循环计算的示例。也算是突发奇想，这里整理一些相关的示例，以供参考。

parfor简介

在 MATLAB 中，parfor（parallel for-loop）是一种用于并行执行循环迭代的工具，特别适用于可以独立并行处理的计算任务。使用 parfor 可以显著加速计算密集型程序，尤其是在多核 CPU 或集群环境中。

matlab 复制代码

parfor loopVar = initVal:endVal
    statements
end

与普通 for 循环类似，但要求：

（1）各次迭代之间不能有依赖关系 （即不能互相读写共享变量）。

（2）循环变量必须是整数（不能是向量或结构体等）。

性能提示

（1）避免小任务开销：parfor 有调度开销，适合计算量大的循环。

（2）预分配数组：避免在循环中动态增长数组。

（3）减少数据传输：只传递必要数据到 worker（大矩阵会复制多次）。

（4）使用 spmd 或 parfeval 替代复杂场景：如果 parfor 限制太多。

初步实践

确保 Parallel Computing Toolbox 已安装，并启动并行池：

matlab 复制代码

% 查看当前并行池状态
pool = gcp('nocreate'); % 获取当前池（不自动创建）
if isempty(pool)
    parpool; % 创建默认并行池（通常为本地配置，核心数由设置决定）
end

parfor 要求所有变量属于以下五类之一：

⚠️ 禁止：不同迭代之间通过变量通信（如 A(i) = A(i-1) + 1）。

示例一：蒙特卡洛计算（失败示例）

matlab 复制代码

clear,clc
N = 200;  % 迭代次数减少，但每次很重

tic;
result_for = zeros(N,1);
for i = 1:N
    % 每次做 100,000 次随机采样
    x = rand(1e5, 1);
    result_for(i) = mean(exp(-x.^2));  % 估算 ∫₀¹ e^{-x²} dx
end
time_for = toc;

% parfor
tic;
result_parfor = zeros(N,1);
parfor i = 1:N
    x = rand(1e5, 1);
    result_parfor(i) = mean(exp(-x.^2));
end
time_parfor = toc;

fprintf('for: %.3f s | parfor: %.3f s | 加速比: %.2fx\n', ...
        time_for, time_parfor, time_for/time_parfor);

输出结果：

for: 0.187 s | parfor: 0.224 s | 加速比: 0.84x

普通for循环的速度就比parfor快，parfor没起到真正的加速作用。

示例二：真正适合 parfor 的蒙特卡洛示例

matlab 复制代码

%% 蒙特卡洛估算 ∫₀¹ e^{-x²} dx ≈ 0.746824
clear; clc;

% === 配置参数 ===
N = 20;                     % 迭代次数（每个迭代是一次独立蒙特卡洛实验）
samples_per_iter = 5e6;     % 每次采样数量（越大，单次估计越准）
REPRODUCIBLE = false;       % ← 设置为 true 可强制 for/parfor 结果完全一致（仅用于调试）

% 理论参考值
theoretical = 0.746824132812427;

% 启动并行池（如果需要）
if ~REPRODUCIBLE && isempty(gcp('nocreate'))
    parpool('local');  % 正常模式：让 MATLAB 自动管理随机流
end

%% --- 普通 for 循环 ---
fprintf('Running for loop...\n');
tic;
result_for = zeros(N,1);
if REPRODUCIBLE
    % 调试模式：每次用固定种子
    for i = 1:N
        rng(i);  % 关键：固定种子
        x = rand(samples_per_iter, 1);
        result_for(i) = mean(exp(-x.^2));
    end
else
    % 正常模式：使用全局流（顺序生成）
    for i = 1:N
        x = rand(samples_per_iter, 1);
        result_for(i) = mean(exp(-x.^2));
    end
end
time_for = toc;

%% --- parfor 循环 ---
fprintf('Running parfor loop...\n');
tic;
result_parfor = zeros(N,1);
if REPRODUCIBLE
    % 调试模式：每个 worker 用相同种子
    parfor i = 1:N
        rng(i);  % 与 for 循环相同种子
        x = rand(samples_per_iter, 1);
        result_parfor(i) = mean(exp(-x.^2));
    end
else
    % 正常模式：让每个 worker 使用独立随机流（MATLAB 自动处理）
    parfor i = 1:N
        x = rand(samples_per_iter, 1);
        result_parfor(i) = mean(exp(-x.^2));
    end
end
time_parfor = toc;

%% --- 结果分析 ---
% 1. 检查是否完全一致（仅当 REPRODUCIBLE=true 时应为 true）
is_identical = isequal(result_for, result_parfor);

% 2. 计算统计均值和误差
mean_for    = mean(result_for);
mean_parfor = mean(result_parfor);
err_for     = abs(mean_for - theoretical);
err_parfor  = abs(mean_parfor - theoretical);

% 3. 输出
fprintf('\n=== 结果报告 ===\n');
fprintf('REPRODUCIBLE 模式: %s\n', string(REPRODUCIBLE));
fprintf('结果完全一致: %s\n', string(is_identical));
fprintf('\n理论值: %.9f\n', theoretical);
fprintf('for 均值:    %.9f (误差: %.2e)\n', mean_for, err_for);
fprintf('parfor 均值: %.9f (误差: %.2e)\n', mean_parfor, err_parfor);
fprintf('\nfor 耗时: %.3f s | parfor 耗时: %.3f s | 加速比: %.2fx\n', ...
        time_for, time_parfor, time_for/time_parfor);

输出结果：

理论值: 0.746824133

for 均值: 0.746846070 (误差: 2.19e-05)

parfor 均值: 0.746791349 (误差: 3.28e-05)

for 耗时: 0.841 s | parfor 耗时: 0.381 s | 加速比: 2.21x

这里验证了parfor在一些比较复杂的计算情况下，可以比普通for循环快一些。

以上示例仅供参考。