什么R并行化/HPC包允许在循环内进行并行化？

假设我有一个带有$V$一级节点的层次贝叶斯模型，其中$V$非常大，我将进行$S$模拟。我的想法是，我可以通过并行化每个第一级节点的计算，当然也可以通过并行运行多个链来获益。因此，对于或*应用级别，我有两个

，一个是多个链的并行化，另一个是特定链迭代中第一级节点计算的并行化。在哪些R包（如果有）中，这是可能的？多谢各位

根据要求，下面是一些我想做的事情的高级伪代码：

for node in top.cluster {
    for draw in simulation {
        draw population.level.variables from population.level.conditionals
        for node in bottom.cluster {
            draw random.effect[node] from random.effect.conditionals[node]
        }
    }
}

这更有意义吗？
一般来说，最好在计算的最外层进行并行化，以尽可能避免通信开销。除非您告诉我们更多的细节，否则我看不出在两个显式的代码级别上进行并行化有什么意义

以下是一些例外情况：


当然，如果对于外部循环，每次迭代都取决于最后一次迭代的结果，那么这不太可能（容易）

另一个警告是，您需要有足够的内存来实现这种高级并行化，因为（可能）n个数据副本需要保存在RAM中

在R中，您可以通过使用并行BLAS（我使用OpenBLAS）隐式地*并行化矩阵计算，这也不需要更多内存。根据BLAS完成的计算量，您可能需要调整“外部”并行化和BLAS使用的线程数。

*不需要对代码进行任何更改



下面是一个示例，它为您提供了打包的概述

就我个人而言，我主要使用
snow
+并行BLAS。
也许你可以添加一些伪代码来更清楚地说明你想做什么。我添加了一些伪代码，@matteofasiolotthanks现在更清楚了。我完全同意cbeleites下面的回答。特别是，如果$V$很大，我将使用该级别的所有可用内核，并在每个节点内按顺序执行操作。如果您没有耗尽内存，那么这将为您提供最佳性能。我使用R中包含的“parallel”包。如果您是linux用户，那么函数“mclappy”的使用非常简单，否则您必须创建一个集群，将数据导出到每个节点，并将其传递给“parlappy”函数。