MATLAB并行计算实战：parfor与spmd在多核CPU上的性能优化秘籍

1. 并行计算入门：为什么你的MATLAB代码跑得慢？

很多朋友刚开始用MATLAB处理数据或做仿真时，可能都经历过这样的场景：一个脚本跑起来，看着进度条慢悠悠地走，心里干着急，电脑的CPU占用率却低得可怜，风扇都不怎么转。这感觉就像你有一辆八缸跑车，却只用一个缸在市区里慢慢爬。问题出在哪？绝大多数情况下，是你的代码没有充分利用现代计算机的多核处理器。

现在的电脑，无论是笔记本还是工作站，配备四核、八核甚至更多核心的CPU已经是标配。但默认情况下，MATLAB的代码是串行执行的，也就是说，它像一个认真的会计，一笔账算完才去算下一笔，即使旁边有七八个空闲的会计（CPU核心）等着，它也视而不见。并行计算要做的，就是唤醒这些沉睡的“会计”，让它们同时开工，把一个大任务拆分成许多小任务，大家一起算，算完了再把结果汇总起来。

我刚开始接触并行计算时，也觉得这概念挺高深，什么进程、线程、通信开销，听着就头大。但MATLAB的Parallel Computing Toolbox（并行计算工具箱）把这件事变得异常简单，它提供了两个“傻瓜式”的强力工具：parfor 和 spmd。你可以把它们理解成两种不同的“工头”：

• parfor：像是一个擅长分配简单重复任务的工头。你告诉他：“把这1000个箱子从A搬到B。”他会自动把箱子平均分给手下的工人（CPU核心），大家同时开干，搬完结束。你不需要关心哪个工人搬了哪几个箱子，工头会帮你搞定。
• spmd：像是一个能处理复杂协作项目的工头。你告诉他：“我们盖个房子，你（工人1）去打地基，你（工人2）去砌墙，你（工人3）去装水电，但墙砌到一半需要地基的数据，水电图也要和墙体配合。”这个工头允许工人们之间传递材料（数据），进行更复杂的协作。

简单来说，如果你的任务是一大堆彼此独立、互不影响的“搬箱子”活，用parfor最省心。如果你的任务像“盖房子”，各个部分有依赖、需要沟通，或者数据本身的结构不适合用循环索引来简单分割，那么spmd给你提供了更精细的控制权。接下来，我就带你一步步上手，把这套多核性能“压榨”秘籍落到实处，让你亲眼看到代码执行时间从几分钟缩短到几十秒的爽快感。

2. 工欲善其事：并行环境配置与资源管理

在召唤“工头”和“工人”之前，我们得先把“工地”（并行环境）准备好。这一步很简单，但有些细节不注意，后面可能会踩坑。

2.1 启动与关闭你的“工人团队”——并行池

并行池（Parallel Pool）就是MATLAB为你创建的一队后台“工人”（称为Worker）。默认情况下，MATLAB不会自动启动它们。

手动启动并行池： 这是最常用的方式。在脚本开头或者命令行里直接输入：

parpool; % 启动默认配置的并行池，工人数通常等于你CPU的物理核心数

如果你想控制工人的数量，比如你的CPU有8个核心，但你可能只想用4个来跑代码，另外4个留给你干别的（比如听歌、开网页），可以指定数量：

parpool(4); % 启动一个包含4个工人的并行池

启动成功后，MATLAB命令行窗口会显示类似“Connected to the parallel pool (number of workers: 4)”的信息。

一个重要的实践建议：我习惯在脚本里用条件判断来启动并行池，这样更稳健。因为如果你的脚本被别人运行，或者你多次运行，可能并行池已经存在了，重复启动会报错。

% 检查当前是否存在活动的并行池，如果没有则创建
if isempty(gcp('nocreate'))
    parpool('local'); % ‘local’表示使用本地计算机的核心
end

关闭并行池： 计算完成后，为了释放内存和CPU资源，最好关闭并行池。最干净的命令是：

delete(gcp('nocreate')); % gcp('nocreate')获取当前池对象，如果不存在也不创建。delete删除它。

你也可以在MATLAB的“并行”菜单里点击“关闭并行池”。关闭后，所有工人进程都会终止。

2.2 摸清家底：确认你的硬件资源

你知道你的电脑最多能派出多少个“工人”吗？这取决于你的CPU核心数和MATLAB的许可证。用这个命令可以查看：

cluster = parcluster('local'); % 获取本地计算集群的配置信息
maxWorkers = cluster.NumWorkers; % 可用的最大工人数
fprintf('本机最大可用并行工作进程数：%d\n', maxWorkers);

这里的 NumWorkers 通常等于你CPU的物理核心数。但要注意，如果你的CPU支持超线程（比如8核16线程），MATLAB默认的并行池通常只会用到物理核心数（8个），因为超线程更多是逻辑上的，对于纯计算密集型任务，用物理核心数效率更高。

这里有个坑我踩过：不是工人越多越好。启动工人本身有内存开销（每个Worker都是一个独立的MATLAB进程）。如果你的任务本身不大，但数据量很大，启动太多工人可能会导致每个工人都复制一份大数据，从而挤爆内存。对于内存紧张的情况，适当减少工人数（比如8核机器只开4个工人）反而是更优选择。

3. 并行循环利器：parfor实战详解与性能陷阱

parfor 是大多数人接触MATLAB并行的第一个工具，因为它用起来太像普通的 for 循环了，几乎是无缝切换。但正是这种“简单”，让很多人忽略了背后的规则，导致程序报错或者加速效果不