Matlab 与for循环相比，parfor循环没有显示出明显的加速

我正在尝试将此回归循环作为parfor循环运行：

load dataq.mat % load 'A_Data' and 'A_ref' matrix

k=length(A_ref);
theta=zeros(k,5); % preallocation
b_ref=zeros(k,1);

poolobj = parpool(8);
parfor i=1:k % regression

  W = sqrt( ...
    exp( ...
    -( ...
    ( ( A_Data(:,2)-A_ref(i,2) ) / 0.6 ).^2+ ...
    ( ( A_Data(:,3)-A_ref(i,3) ) / 0.6 ).^2+ ...
    ( ( A_Data(:,4)-A_ref(i,4) ) / 0.6 ).^2+ ...
    ( ( A_Data(:,5)-A_ref(i,5) ) / 0.6 ).^2 ...
    ) /2 ...
    ) ...
    );

 theta(i,:)=regress(W.*b_Data,repmat(W,1,5).*A_Data);
 b_ref(i,1)=A_ref(i,:)*theta(i,:)';

end
delete(poolobj);

它运行良好，没有错误，但与for-loop相比，它并没有显示出明显的速度提升

我得到了这个警告信息：

整个数组（'A_Data'，'A_ref'）是一个广播变量。这可能会导致不必要的通信开销

我如何处理这个问题

请注意： A_数据：1710203x5双，

---

A_ref:5760x5 double

Parfor循环在每个迭代独立于其他迭代时非常有用，因此循环只需要访问循环索引给出的行或列。请注意，

Parfor

旨在将计算分散到集群中的计算节点上。这不是共享内存并行

parfor

将启动多个MATLAB会话，并在它们之间传输数据。只有当每个循环迭代中的计算量很大时，这才是有效的。现在可以将并行计算工具箱配置为使用线程而不是单独的MATLAB进程，请尝试

parpool（'threads'）

。查看了解在基于线程的并行会话中可以做什么和不能做什么。另一方面，使用

a_数据

和

a_ref

进行多个计算是不必要的。您可以将其缩短为：

sqrt（exp（-sum（（A_data（：，2:5）-A_ref（i，2:5））/0.6.^2,1））

。您可能会从

a_data（：，2:5）-a_ref（i，2:5）

中获得轻微的速度提升，尽管这会使代码更难阅读。