最近拿到了一台CPU服务器，准备来跑个大规模的优化问题。CPU服务器的配置是，3990x的U，传说中的线程撕裂者哈哈哈哈哈哈哈，拥有64核和128核心。咱就是说，可激动了。库库准备上来拿来跑个算法，看看我们建立的物理模型咋样。 我用的进化计算的平台是Platemo，这里安利一下Platemo，是安徽大学的田野老师主导的一个matlab编写的进化计算的平台，详情可见github链接https://github.com/BIMK/PlatEMO。虽然我一开始接触的时候觉得很抵触，因为python用多了，就会觉得matlab是什么狗屎东西哈哈哈，虽然现在还是觉得matlab没python好使，不过嘛，好用省时间就行。

我大概所做的是呢，针对一个问题进行优化和建模。关于一个优化问题，需要计算目标函数和约束，所以导致我需要进行多层循环嵌套，去进行计算，而且我还需要针对每个种群的决策变量进行计算，最终我的循环可能导致3-4层。这个时候无论我在linux还是在windows跑，我发现，我只有1-2个CPU核心跑满了，但是剩下的基本上都在不工作。我就满脸问号了，**为什么跑不满呢？**我以前用pytorch或者TensorFlow做深度学习的时候，我在GPU上跑能把GPU功耗拉到90%以上，CPU直接都是99%的占满，为什么matlab跑不满。matlab真是狗都不用啊！哈哈哈哈哈，听我说，你先别急。在我的一番查找之后，找到了资料，那就是Parallel Pool 。用system-monitor看的样子如下，看看这多么线程，都没用啊呜呜呜呜！

首先，看这篇文章的大伙，应该都是在使用matlab的人。我们都知道matlab会有很多工具包，我们首先要确保，matlab安装好了Parallel Computing Toolbox这个工具包。我们可以如下去检查，如果成功安装会是这样的界面在Home-> Environment->Parallel能看到并行池的设置。 在左下角和中上部分都能看到这样的样子。如果你没有的话，就是没有安装相关的包，你需要先安装对应的工具包才能使用。在这里不过多赘述如何安装对应的工具包了。

正常来说，我们所编写的matlab程序是一个单线程程序，这一点是毋庸置疑的。在python如果你想，你也需要开多个线程，来避免程序运行过慢。以我的经验来说，我一般是自己设计，想要在不同的线程干不同的事情。如果是对AI相关了解的朋友，应该也见过那种选项修改，比如说修改num_worker数量这样的问题。其实这些操作都是多线程，并行计算，只不过，在python或者其他的一些包里面，提前给我们封装好，这让我们的感知里，只有哇程序跑满了CPU，还不错它在正常工作了。但是一般的mtalab线程他也是单线程工作的，所以我们需要写关于多线程的代码，这样的，他才能在多个核心和线程上跑满CPU。

在这个地方我们可以设置集群的相关信息，其实也只是需要设置并行池进程的数量，以及工作的线程数。在右下角点击编辑之后可以编辑。 据我测试numworks好像不会超过CPU核心数量。我这个电脑是个8核16线程的电脑，所以我将上面设置为8，将下面设置为2，进行代码测试。

如题，我们在进行循环计算的时候可以使用parfor来进行计算。parfor会将循环分配到多个并行计算池里面进行计算，这样就大大加快了计算速度。值得注意的是使用 parfor 时，循环的每次迭代必须独立，不能有数据依赖关系，也就是进程锁问题，数据不能相互干扰。巧的是，在我的计算任务里面，各个种群之间恰好是相互独立的。还有一点值得注意的是，如果是有多层嵌套循环，parfor尽可能放在最外层，而且只需要写一遍就行。

这是一段矩阵求特征值的代码，分别比较将循环里面的for和parfor进行测试。

在使用parfor情况下，我们的计算时间为20.22秒，cpu直接拉满了，如图所示 注意，第一次启动线程池会花费一定的时间，所以第一次时间很长 在不使用parfor的情况下，我们的计算时间为47秒左右，CPU占用率只有50%左右，如图。

其实看两幅图就知道CPU的状态有着天壤之别，按理来说，开了8个核心，但是实际上好像速度并没有跑快很多，只多了两倍，个人认为有如下几点原因

最终在CPU服务器上，我也是跑满了计算资源。各个线程的线条，一直在上下波动，我可能猜测是在分配计算资源吧，也就是数据交换。 关于matlab的CPU占用率低，以及并行池，有很多深入的资料，以及很多方法进行操作，这里只是抛砖引玉，提出并行计算的概念，这个工具包也是matlab2012之后就开始支持了。 个人感悟，我画了大概几个小时，进行相关检索了解相关知识，而针对我的计算而言，我让我的计算时间从2天优化变成了2-3个小时。所以有些时候不能将就，需要深究一些问题，这样才能效率能得到提高，并且自己得到进步！