matlab优化加快速度 求帮忙并行计算
matlab在矩阵运算组运可说比C还要但重复用了会慢几百倍都能，因此说matlab里尽量少用for，能把数据组织成数组的形式后来用数组去计算是最好的。假如非要用重复，要注意把重复次数少的尽量放到外层，重复次数比较多的放到内层，这也会快一点。还有多个基本的运算，假如求和，排序啥的尽量用matlab自带的函数，不要自己去实现，自带的一般都有性能优化的。 你说的“把其中的两三个重复写成函数文档，计算的时候再被调出使用”这不太会加快速度，反而多了1个函数调出使用的开销，反而会变慢。不太会处理问题的
如何利用VS的代码优化和openmp并行计算提高
代码：
属性->配性->C/C++->代码生成：启强指令集，可选用 流式处理 SIMD 2 (/arch:SSE2) (/arch:SSE2)、流式处理 SIMD 扩展 2 (/arch:SSE2) (/arch:SSE2) 进行加速浮点，可选用 快速 (/fp:fast) 进行浮点数据运算的加速
属性->配置属性->C/C++->优化：可选用 使速度最大化 (/O2) 进行优化。全程序优化选择是(/GL)，在debug版本下不能这样设置，必须在release版本
用R语言修改一个工具包，做并行计算上的优化应该怎么入手
分享内存(shared memory)，使并行运算时，每个R session可以避免重复读取。包裹有bigmemory等，不同的R sessions可以共享内存里的数据。不用再并行运算时，每个R sessions在去读入一遍。
用MPI，避免mclapply等太高等级的关于平行运算的方程。如果用MPI，你的R sessions只会传输你规定它们可以传输的objects。据我所知，mclapply是把所有environment复制到另一个R session里，有一些根本不必要的objects也要被推送，这样毫无意义。
集成运算，比如Map-Reduce或者Storm，把个体服务器的压力变为对运算过程的压力，这个坑太大了。。。
分布储存，比如mongodb，把对内存的压力变为对数据结构的压力，这个坑也太大了。。。
用C或Fortran写底层方程，比如loop structure，基本的科学运算(BLAS)等等。
从算法上的根本优化。很多时候，程序慢，内存溢出，大多都是程序猿懒，不精益求精。再加上服务器动辄16G内存，把码农们都宠坏了，好像什么都能往内存里扔，扔完也不打扫屋子。改进算法，尽量在同一时间，只能看见部分数据的情况下，通过update结果来得到最后答案。
相关标签推荐：
