我正在网格上运行一系列大型模拟。我正在逐行实现模拟，我发现我的采样功能是一个瓶颈。我曾尝试使用foreach和doMC库来加快进程，但我发现并行方法速度较慢，或者我无法编写foreach可以正确解释的函数。
看看其他一些帖子，我使用foreach的方法似乎被误导了，因为我尝试的作业数量大大超过了可用处理器的数量。我想知道人们是否会对如何在我的情况下最好地实现并行化有一些建议。我的模拟通常有两种类型。在第一个例子中，我计算了一个矩阵，该矩阵包含我正在处理的网格行中每个元素的采样间隔（行）。然后我使用runif进行采样（在实际模拟中，我的行包含大约9000个单元格，我正在执行10000个模拟）。
#number of simulations per element
n = 5
#Generate an example sampling interval.
m.int1 <- matrix ( seq ( 1, 20, 1 ), ncol=10, nrow=2 )
#Define a function to sample over the interval defined in m.int1
f.rand1 <- function(a) {
return ( runif ( n, a[1], a[2] ) )
}
#run the simulation with each columns corresponding to the row element and rows
#the simultions.
sim1 <- round( apply ( m.int1, 2, f.rand1 ) )
在第二种情况下，我试图从一组按矩阵中的列索引的经验分布中进行采样。网格行元素的值对应于要采样的列。
#number of simulations per element
n = 5
#generate a vector represeting a row of grid values
v.int2 <- round(runif(10,1,3))
#define matrix of data that contains the distributions to be sampled.
m.samples<-cbind(rep(5,10),rep(4,10),rep(3,10))
f.sample <- function(a) {
return ( sample ( m.samples [ ,a], n, ) )
}
#Sample m.samples indexed by column number.
sim2<- sapply(v.int2,f.sample)
在第二个例子中，我可以使用foreach（）和%dopar%并行运行，但模拟所需的时间比串行代码长得多。在上面的第一个例子中，我无法编写适当的函数来利用foreach并行化。我将把我在第二种情况下使用的代码放在这里，只是为了展示我的想法——但我现在意识到，我的方法开销太大了。
library(foreach)
library(doMC)
registerDoMC(2)
n = 5
#Sample m.samples indexed by column number using parallel method.
sim2.par <- foreach ( i = 1 : length ( v.int2 ),
.combine="cbind") %dopar% sample (
m.samples [ , v.int2 [i] ] , n )
我非常感谢您对一种方法（和一些代码！）的一些建议，这将帮助我有效地利用并行化。同样，我正在处理的行通常包含大约9000个元素，我们对每个元素进行10000次模拟。所以我的输出模拟矩阵通常在10000 X 9000的数量级上。谢谢你的帮助。
这是对您的第一个模拟的轻微改进。较大的n可能在运行时产生较大的增益。
> n <- 1000
> m.int1 <- matrix ( seq ( 1, 20, 1 ), ncol=10, nrow=2 )
> f.rand1 <- function(a) {
+ return(runif(n, a[1], a[2]))
+ }
> system.time(x1 <- replicate(n, round(apply(m.int1, 2, f.rand1))))
user system elapsed
2.84 0.06 2.95
> system.time(x2 <- replicate(n, matrix(round(runif(n*10, min = m.int1[1, ], max = m.int1[2, ])), ncol = 10, byrow = TRUE)))
user system elapsed
2.48 0.06 2.61
> head(x1[,,1])
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 1 4 5 7 10 12 13 16 17 20
[2,] 1 3 6 7 10 11 13 16 17 19
[3,] 1 3 6 7 10 12 14 16 18 20
[4,] 2 4 5 7 9 12 14 16 17 19
[5,] 1 4 5 7 10 12 14 16 17 20
[6,] 1 4 6 8 9 11 13 15 18 20
> head(x2[,,1])
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 2 4 6 7 9 12 14 16 17 20
[2,] 1 3 6 8 10 12 14 15 18 20
[3,] 2 4 5 7 9 11 13 15 17 20
[4,] 2 3 5 7 9 11 14 15 17 19
[5,] 2 3 6 7 9 12 13 16 17 20
[6,] 2 4 6 7 10 12 14 16 17 20
尝试使用此过程，而不是两步过程。它跳过apply步骤：
f.rand2 <- function(a) {
matrix( runif ( n*ncol(a), rep(a[1,], n) , rep(a[2,], n) ), nrow=ncol(a) )
}
f.rand2(m.int1)
[,1] [,2] [,3] [,4] [,5]
[1,] 1.693183 1.404336 1.067888 1.904476 1.161198
[2,] 3.411118 3.852238 3.621822 3.969399 3.318809
[3,] 5.966934 5.466153 5.624387 5.646181 5.347473
[4,] 7.317181 7.106791 7.403022 7.442060 7.161711
[5,] 9.491231 9.656023 9.518498 9.569379 9.812931
[6,] 11.843074 11.594308 11.706276 11.744094 11.994256
[7,] 13.375382 13.599407 13.416135 13.634053 13.539246
[8,] 15.948597 15.532356 15.692132 15.442519 15.627716
[9,] 17.856878 17.208313 17.804288 17.875288 17.232867
[10,] 19.214776 19.689534 19.732680 19.813718 19.866297
对我来说，它将时间缩短了一半：
> system.time(x1 <- replicate(n, round(apply(m.int1, 2, f.rand1))))
user system elapsed
1.088 0.470 1.550
> system.time(x1 <- replicate(n, f.rand2(m.int1)))
user system elapsed
0.559 0.256 0.811