经常用matlab处理大型数据，有时某些数据处理起来可能要几天甚至更久。如果算法已经到最优，那么提高速度的最后方法就是从硬件下手了。在这个什么都开始并行的年代，matlab也提供了并行计算的功能，甚至能用GPU加速。matlab貌似在2010a开始支持并行计算，引入了一个工具箱，叫做parallel computing toolbox.它的使用方法，可以从matlab的帮助获得。
我现在对matlab并行的研究还只是冰山一角，只研究了它parfor的用法。可以再google中输入matlab parfor，你将得到足够多的资料来了解这是个什么东西，如果你耐心，建议去研究研究matlab 帮助中对parfor的说明。这里我只大概讲一下parfor。parfor就是paralle+for，也就是并行的for循环，怎么个并行法？我理解就是，matlab会弄出几个虚拟的小pc，一个算i=1:30部分循环,一个算i=50:80部分循环,再来一个算i=90:120部分循环，当然数字是我瞎编的，我是想说matlab将一个大循环分成小块，然后这些小块并行计算，最后再合在一起。这样，有一个问题，因为普通的循环是从i=1算到i=100，一个接一个算，如果下一次循环要依赖上一次循环怎么办？如果出现这种情况，那就不能用matlab的parfor了。用parfor的前提条件就是，循环的每次迭代独立，不相互依赖。举个简单的例子，计算1+2+3...+100就可以用parfor，但是如果计算斐波那契数列的前100个数字，那就不能用parfor了。
parfor就先解释到这里，其实它涉及到的东西远不止这些，而且感觉很令人纠结，如果你的C++很好，那就直接用C++吧！如果你还是想用matlab做并行，那就可以继续向下看看我的一些经验。
首先我是做图像处理的，1000多个图像，如果直接算可能要算上1天，所以我想用matlab的并行。我们都知道数字图像可以看成矩阵，我们经常用for循环里面再加一个for循环来处理，但是parfor循环不能嵌套。那么原来的
for i=1:N
for j=1:M
end
end
就必须改成
parfor i=1:N
for j=1:M
end
end
或者
for i=1:N
parfor j=1:M
end
end
但是，这都不是最好的方法，因为如果循环的次数太少，并行就显现不出威力来，所以最好的方法是这样:
for k=1:M*N
i=mod(k-1,M)+1 %行号
j=floor((k-1)/M)+1 %列号
end
要注意一点的是k是按照列来数的，也就是这样
1 4 7
2 5 8
3 6 9
所以，行号和列号别算错了。这样其他代码就可以不变了。
还需要注意的一点就是就是，如果对矩阵f的每个像素计算的点值要赋值给矩阵g。这个g要在循环外面声明好，而且要固定大小，在parfor循环里面最好也是向量，而非矩阵。计算完成后再用vec2mat函数转换为矩阵，这个函数之后，可能还需要个转置才能得到你需要的结果。
至于提高的速度来讲，我处理一个680*340的矩阵，用2核提高了2倍，用4核提高了6倍。
然后就是如何声明你要开启的核（通常来讲就是你的Pc有几个核就声明几个）？
首先在matlab命令行里输入：matlabpool open local 4
然后它会提示你一些消息，开启成功后就像以前一样操作就行。不想用了就再输入matlabpool close，关闭并行。
这些内容也可以写到函数里面去,比如
function yourFun()
....
matlabpool('open','local',4); %最后一个参数是你要开启的线程数
parfor i=1:N
...
end
matlabpool close
....
end
如果你的parfor怎么都通不了，或者速度变得更慢了，建议看matlab 帮助中的这一部分，看明白了，自然就有答案了：
