1 我们知道MATLAB支持并行运行一般有四种模式：
第一种模式：本机调用多核CPU性能并行运算
第二种模式：本机调用GPU性能并行运算
第三种模式：多计算机组成集群，调用集群CPU性能并行运算
第四种模式：运用MATLAB提供的云计算服务。
2 在第一种并行运算模式中：
标准模式为：
第一步：打开并行池parpool
第二步：parfor等相关PCT，并行计算工具箱中函数
第三步：关闭并行池
3 第一步：打开并行池的方式：
1）p = parpool('local',2); % 在知道有几个本地核的情况下，选择调用几个核进行并行运算。
2）parpool; % 这是直接打开并行池的方式。
备注：建议采用第一种，方便关闭和更改参数。
第二步：parfor函数的问题：
1）很多简单的低纬度运算，建议只需要用普通函数和关键字即可，用parfor函数进行运算并不能提升性能。
2）MATLAB利用多核心的计算能力来加速计算时非常有必要的，因为目前所有的电脑最少都双核心了。
3）循环并行使用parfor循环代替for循环，但是很多时候parfor很不好用，当parfor循环体内的代码比较多时，非常不容易满足循环条件而失败。因此我们首先要分析代码，另一种方式用profiler打开代码分析器来分析代码那一部分耗时较大，进行代码分析。
3）通用格式：
parfor ss = 1:100
XXX
......
......
end
4）通用并行计算模板：其基本思路就是将循环体内代码打包为函数！
parfor ss=1:100
func(ss,...,...);
end
函数如下所示：
function func(ss,...,...)
xxx
.....
.....
end
备注：该函数不应该有返回值，当parfor循环体内计算结果需要返回主函数时(绝大多数情况是这样的)，那么将结果在循环体内保存为文件，文件名与循环变量ss有关。当parfor的并行运行完之后，将保存的临时文件读取进来即可，保存和读取计算结果相比于大型的计算耗时来讲应该小很多，从而体现出并行的优势。所提供的该方法可以用于任何一维、二维或者多维循环的加速计算，采用这种方法，规避了学习parofr规则的所有难点，非常具有通用性。
第三步：删除并行池参数关闭
delete(p)
举个例子：比如有这么一段并行计算代码,其中绿色标注的位置为循环体。
p = parpool('local',2);
tic
n = 200;
A = 500;
a = zeros(n);
parfor i = 1:n
a(i) = max(abs(eig(rand(A))));
end
toc
delete(p)当然这个循环体内可以有不同的计算队列，我们把这个队列封装成为一个函数，如下：
function [a] = sample(A) a = max(abs(eig(rand(A)))); end
然后再用parpool调用，如下：
p = parpool('local',2);
clear;
tic
n = 200;
A = 500;
a = zeros(n);
parfor i = 1:n
b = sample(A);
a(i) = b;
end
clear b;
toc
delete(p);
时间已过 28.838599 秒。对比原先的代码：
tic
n = 200;
A = 500;
a = zeros(n);
for i = 1:n
a(i) = max(abs(eig(rand(A))));
end
toc
时间已过 42.570194 秒。4 MATLAB并行计算的提升有限和MATLAB语言的效率有关，并且和处理的数据量和计算复杂度有关。