Performance 如何在MATLAB CPSO中使用并行循环

我想在MATLAB中实现并行聚类粒子群优化（CPSO），但它比使用简单的

循环花费更多的时间

所以请帮助我在代码中执行并行循环迭代

我有MatlabR2013A和Intel core i3处理器

matlabpool('open', 2)  

tic;  

for iteration=1:iterations  

%CALCULATE EUCLIDEAN DISTANCES TO ALL CENTROIDS
distances=zeros(dataset_size(1),centroids,particles);

for particle=1:particles
    for centroid=1:centroids
        distance=zeros(dataset_size(1),1);
        for data_vector=1:dataset_size(1)
            %meas(data_vector,:)
            distance(data_vector,1)=norm(swarm_pos(centroid,:,particle)-meas(data_vector,:));

        end
        distances(:,centroid,particle)=distance;
    end
end
                %fprintf('\nEnd, meas(dv) is %5.4f\n',meas(data_vector,:));

%ASSIGN MEASURES with CLUSTERS    
for particle=1:particles
    [value, index] = min(distances(:,:,particle),[],2);
    c(:,particle) = index;
end

% PLOT STUFF... CLEAR HANDLERS
delete(pc); delete(txt);
pc = []; txt = [];

% PLOT STUFF...
hold on;
for particle=1:particles
    for centroid=1:centroids
        if any(c(:,particle) == centroid)
            if dimensions == 3
                pc = [pc plot3(swarm_pos(centroid,1,particle),swarm_pos(centroid,2,particle),swarm_pos(centroid,3,particle),'*','color',cluster_colors_vector(particle,:))];
            elseif dimensions == 2
                pc = [pc plot(swarm_pos(centroid,1,particle),swarm_pos(centroid,2,particle),'*','color',cluster_colors_vector(particle,:))];
            end
        end
    end
end
set(pc,{'MarkerSize'},{12})
hold off;

%CALCULATE GLOBAL FITNESS and LOCAL FITNESS:=swarm_fitness
average_fitness = zeros(particles,1);
for particle=1:particles
    for centroid = 1 : centroids
        if any(c(:,particle) == centroid)
            local_fitness=mean(distances(c(:,particle)==centroid,centroid,particle));
            average_fitness(particle,1) = average_fitness(particle,1) + local_fitness;
        end
    end
    average_fitness(particle,1) = average_fitness(particle,1) / centroids;
    if (average_fitness(particle,1) < swarm_fitness(particle))
        swarm_fitness(particle) = average_fitness(particle,1);
        swarm_best(:,:,particle) = swarm_pos(:,:,particle);     %LOCAL BEST FITNESS
    end
end    
[global_fitness, index] = min(swarm_fitness);       %GLOBAL BEST FITNESS
swarm_overall_pose = swarm_pos(:,:,index);          %GLOBAL BEST POSITION
            fprintf('global position is %5.4f\n',swarm_overall_pose);            

% SOME INFO ON THE COMMAND WINDOW
fprintf('%3d. global fitness is %5.4f\n',iteration,global_fitness);            
%uicontrol('Style','text','Position',[40 20 180 20],'String',sprintf('Actual fitness is: %5.4f', global_fitness),'BackgroundColor',get(gcf,'Color'));        
pause(simtime);



% SAMPLE r1 AND r2 FROM UNIFORM DISTRIBUTION [0..1]
r1 = rand;
r2 = rand;

% UPDATE CLUSTER CENTROIDS
%p = Par(50); 
for particle=1:particles 

    inertia = w * swarm_vel(:,:,particle);
    cognitive = c1 * r1 * (swarm_best(:,:,particle)-swarm_pos(:,:,particle));
    social = c2 * r2 * (swarm_overall_pose-swarm_pos(:,:,particle));
    vel = inertia+cognitive+social;

    swarm_pos(:,:,particle) = swarm_pos(:,:,particle) + vel ;   % UPDATE PARTICLE POSE
    swarm_vel(:,:,particle) = vel;                              % UPDATE PARTICLE VEL

end
%stop(p);
%plot(p); 
% telapsed = toc(tstart);
%     minTime = min(telapsed,minTime);  
end

matlabpool（'open'，2）
抽搐；
对于迭代=1：迭代
%计算到所有质心的欧几里德距离
距离=零（数据集大小（1）、质心、粒子）；
对于粒子=1：粒子
对于质心=1：质心
距离=零（数据集大小（1），1）；
对于数据_向量=1：数据集_大小（1）
%meas（数据向量：）
距离（数据向量，1）=范数（群位置（质心，：，粒子）-meas（数据向量，：）；
结束
距离（：，质心，粒子）=距离；
结束
结束
%fprintf（'\nEnd，meas（dv）为%5.4f\n'，meas（数据向量：）；
%使用集群分配度量值
对于粒子=1：粒子
[值，索引]=最小（距离（：，：，粒子），[]，2）；
c（：，粒子）=指数；
结束
%情节材料。。。清除处理器
删除（pc）；删除（txt）；
pc=[]；txt=[]；
%情节材料。。。
等等
对于粒子=1：粒子
对于质心=1：质心
如果有（c（：，粒子）=质心）
如果维度==3
pc=[pc plot3（粒子群位置（质心，1，粒子）、粒子群位置（质心，2，粒子）、粒子群位置（质心，3，粒子）、'*'、'颜色'、簇颜色矢量（粒子，：）]；
其他维度==2
pc=[pc图（群点（质心，1，粒子），群点（质心，2，粒子），'*'，'color'，cluster\u colors\u vector（粒子，：）]；
结束
结束
结束
结束
集合（pc，{MarkerSize'}，{12}）
拖延；
%计算全局适应度和局部适应度：=群集适应度
平均_适应度=零（粒子，1）；
对于粒子=1：粒子
对于质心=1：质心
如果有（c（：，粒子）=质心）
局部适配度=平均值（距离（c（：，粒子）=质心，质心，粒子））；
平均适应度（粒子，1）=平均适应度（粒子，1）+局部适应度；
结束
结束
平均_适应度（粒子，1）=平均_适应度（粒子，1）/质心；
if（平均适应度（粒子，1）<群体适应度（粒子））
群体适应度（粒子）=平均适应度（粒子，1）；
群集最佳（：，：，粒子）=群集位置（：，：，粒子）；%本地最佳健身
结束
结束
[全局适应度，指数]=min（群体适应度）；%全球最佳健身
蜂群整体姿态=蜂群位置（：，：，索引）；%全球最佳位置
fprintf（'全局位置为%5.4f\n'，群集整体姿态）；
%有关命令窗口的一些信息
fprintf（'%3d.全局适应度为%5.4f\n'，迭代，全局适应度）；
%uicontrol（'Style'，'text'，'Position'，[40201820]，'String'，sprintf（'real fitness is:%5.4f'，global_fitness'，'BackgroundColor'，get（gcf，'Color'）；
暂停（simtime）；
%均匀分布[0..1]中的样本r1和r2
r1=兰特；
r2=兰特；
%更新簇质心
%p=标准杆（50）；
对于粒子=1：粒子
惯性=w*群水平（：，：，粒子）；
认知=c1*r1*（群最佳（：，：，粒子）-群位置（：，：，粒子））；
社交=c2*r2*（群体整体姿势-群体位置（：，：，粒子））；
vel=惯性+认知+社交；
swarm_pos（：，：，particle）=swarm_pos（：，：，particle）+vel；%更新粒子姿势
群水平（：，：，粒子）=水平；%更新粒子级别
结束
%停止（p）；
%地块（p）；
%telapsed=toc（tstart）；
%minTime=min（终止，minTime）；
结束
显示您已经尝试过的内容以及您面临的错误或问题。我使用fisheriris数据集尝试过PSO群集的MATLAB代码。现在，当我使用parfor循环而不是for循环时，它会在运行时间方面降低性能。您需要提供更多信息。例如，您的
parpool
配置。请查看代码部分，我添加了matlabpool（'open'，2）。这是串行代码，大约需要4秒钟，但是如果我使用parfor循环，那么时间会随着parfor循环的增加而增加。为什么会这样？举一个简单的例子来说明这个行为。我想这是因为过度的数据洗牌。