R 并行处理，并行运行时间比串行运行时间长得多

我正在尝试使用并行处理来加速在R中运行许多增强的回归树。我正在使用并行包（）。我创建了一些虚拟数据，然后设置了一个函数来运行两个BRT模型，我希望先串行计时，然后并行计时。然而，我的并行运行似乎从未完成，而串行运行只需要大约3秒钟

##CAN I USE PARALLEL PROCESSING TO SPEED UP BRT'S?

##LOAD PACKAGES
library(BiocParallel)
library(dismo)
library(gbm)
library(MASS)

##CREATE RANDOM, CORRELATED DATA
## FROM https://www.r-bloggers.com/simulating-random-multivariate-correlated-data-continuous-variables/
R = matrix(cbind(1,.80,.2,  .80,1,.7,  .2,.7,1),nrow=3)
U = t(chol(R))
nvars = dim(U)[1]
numobs = 100
set.seed(1)
random.normal = matrix(rnorm(nvars*numobs,0,1), nrow=nvars, ncol=numobs);
X = U %*% random.normal
newX = t(X)
raw = as.data.frame(newX)
orig.raw = as.data.frame(t(random.normal))
names(raw) = c("response","predictor1","predictor2")
cor(raw)


###########################################################
##  MODEL
##########################################################


##WITH FUNCTIONS, 

Tc<-c(4, 8) ##Tree Complexities

Lr<-c(0.01)  ## Learning Rates

Vars <- split(expand.grid(Tc,Lr),seq(nrow(expand.grid(Tc,Lr))))

brt <- function(x){
  a <- gbm.step(raw,gbm.x=c(2:3),gbm.y="response",tree.complexity=x[1],learning.rate=x[2],bag.fraction=0.65, family="gaussian")
  b <- data.frame(model=paste("Tc= ",x[1]," _ ","Lr= ",x[2],sep=""), R2=a$cv.statistics$correlation.mean, Dev=a$cv.statistics$deviance.mean)
  ##Reassign model with unique name
  assign(paste("patch.tc",x[1],".lr",x[2],sep=""),a, envir = .GlobalEnv)
  assign(paste("RESULTS","patch.tc",x[1],".lr",x[2],sep=""),b, envir = .GlobalEnv)
  print(b)
}



############################
###IN Serial
############################

system.time(
lapply(Vars, brt)
)


############################
###IN PARALLEL
############################

system.time(
bplapply(Vars, brt)
)

##我可以使用并行处理来加速BRT吗？
##加载包
图书馆（平行）
图书馆（dismo）
图书馆（gbm）
图书馆（弥撒）
##创建随机的、相关的数据
##从https://www.r-bloggers.com/simulating-random-multivariate-correlated-data-continuous-variables/
R=矩阵（cbind（1,80,2,80,1,7,2,7,1），nrow=3）
U=t（chol（R））
nvars=尺寸（U）[1]
numobs=100
种子（1）
random.normal=矩阵（rnorm（nVAR*numobs，0,1），nrow=nVAR，ncol=numobs）；
X=U%*%random.normal
newX=t（X）
raw=as.data.frame（newX）
原始数据=原始数据帧（t（随机正常））
名称（原始）=c（“响应”、“预测值1”、“预测值2”）
原材料
###########################################################
##模型
##########################################################
##有了功能,，
Tc一些快速评论：

始终避免
assign（）
；如果你发现自己在使用它，这是一个很好的迹象，表明你正在以错误的方式处理问题

从函数中向全局环境分配变量（使用
Assign（）
或
一些快速注释：

始终避免
assign（）
；如果您发现自己在使用它，这是一个很好的迹象，表明您正在以错误的方式处理问题

从函数中向全局环境分配变量（使用
Assign（）
或
感谢您花时间解释。您的#5肯定解决了错误。我在您的代码中没有看到返回？感谢您花时间解释。您的#5肯定解决了错误。我在您的代码中没有看到返回？
brt <- function(x){
  a <- gbm.step(raw, gbm.x=c(2:3), gbm.y="response", tree.complexity=x[1], learning.rate=x[2], bag.fraction=0.65, family="gaussian", plot.main = FALSE)
  b <- data.frame(model=paste("Tc= ", x[1], " _ ", "Lr= ", x[2], sep=""), R2=a$cv.statistics$correlation.mean, Dev=a$cv.statistics$deviance.mean)
  list(a = a, b = b)
}