在R中，在这个自举模型上使用超过四个内核时，为什么计算时间会增加？

在64核x86_64-redhat-linux-gnu机器上运行下面的代码片段进行R（版本2.15）中的引导练习时，使用超过4核后，观察到的计算时间似乎会降低。R使用4个以上的核是否需要额外的配置更改

library(doMC)
library(plyr)
df <- empty <- data.frame(cores = numeric(), trial = numeric(), time = numeric())

for(i in 1:64){
     registerDoMC(cores=i)
     trials <- 1000
     stime <- system.time({
              r <- foreach(icount(trials), .combine=cbind) %dopar% {
                   ind <- sample(1000000, 1000000, replace=TRUE)
                   mean(ind)}})
     df<- rbind(df, data.frame(cores=i,trial=1,time=stime[3]))
}
df2 <- ddply(df, c("cores"), summarize, time_avg = mean(time))

---

我不认为这是配置R的问题：任务太小了，你不能利用很多内核。从“1核心”时间开始，每个任务所花费的时间不到16.5毫秒，而且可能要少得多。foreach的

foreach

包并不是针对这种细粒度问题的

要有希望，您可以尝试使用显式分块：

r <- foreach(n=idiv(trials, chunks=getDoParWorkers()), .combine='c') %dopar% {
  sapply(seq_len(n), function(i) mean(sample(1000000, 1000000, replace=TRUE)))
}

---

r如果你从1k测试到，比如说，100k，会发生什么？这篇文章可能很相关：怎么样？你不能使用比你拥有的更多的内核。j是什么？您是不是错过了一个
%dopar%
？请为输入错误道歉。代码已更正
r <- foreach(n=idiv(trials, chunks=getDoParWorkers()), .combine='c') %dopar% {
  sapply(seq_len(n), function(i) mean(sample(1000000, 1000000, replace=TRUE)))
}