我注意到R在执行我的一个程序时只使用一个核心，这需要大量的计算。我想利用我的多核处理器让我的程序运行得更快。 我还没有深入调查这个问题，但我很感激你的评论，因为我没有很好的计算机科学知识，而且我很难获得有关该主题的易于理解的信息。
是否有允许R在需要时自动使用多个内核的软件包？
我想这不是那么简单。
答案 0 :(得分：48)
R只能在附加软件包的帮助下使用多个内核，并且仅适用于某些类型的操作。有关选项的详细信息，请参阅CRAN上的High Performance Computing Task View
更新：R版本2.14.0不一定需要附加软件包，因为并行软件包包含在R附带的推荐软件包中< strong> parallel 包括多核和雪包中的功能，基本不变。
答案 1 :(得分：31)
利用多处理器的最简单方法是multicore包，其中包含函数mclapply（）。 mclapply（）是lapply（）的多核版本。因此，任何可以使用lapply（）的进程都可以轻松转换为mclapply（）进程。但是，多核不适用于Windows。我写了一篇关于这个last year的博客文章，可能会有所帮助。 Revolution Analytics创建的软件包doSMP不是R的多线程版本。它实际上是多核的Windows版本。
如果你的工作是embarrassingly parallel，那么熟悉lapply（）类型的结构是个好主意。这将使您轻松地进入mclapply（）甚至使用相同的抽象分布式计算。
对于没有“令人尴尬的平行”的操作，事情变得更加困难。
[编辑]
作为旁注，Rstudio作为R的前端越来越受欢迎。我喜欢Rstudio并且每天都使用它。然而需要注意的是Rstudio与Multicore的搭配并不好（至少截至2011年10月......我明白RStudio团队将会解决这个问题）。这是因为Rstudio在幕后做了一些分支，这些分叉与Multicore试图分叉相冲突。因此，如果您需要多核，您可以在Rstuido中编写代码，但在简单的Jane R会话中运行它。
答案 2 :(得分：14)
在这个问题上，你总会得到非常简短的答案。根据我的说法，最简单的解决方案是基于雪的snowfall包。也就是说，在具有多个内核的Windows单台计算机上。有关简单示例，请参见此处article of Knaus et al。降雪是雪包的包装，允许您使用一些命令设置多核。它绝对比大多数其他软件包更麻烦（我没有尝试所有这些）。
在旁注中，确实只有很少的任务可以并行化，原因很简单，你必须能够在多核计算有意义之前拆分任务。 apply系列显然是一个合乎逻辑的选择：多次和独立计算，这对于多核使用至关重要。其他任何东西并不总是那么容易多元化。
另请阅读sfApply and custom functions上的讨论。
答案 3 :(得分：7)
Microsoft R Open包含多线程数学库，以提高R.It在Windows / Unix / Mac中的所有操作系统类型的性能。它是开源的，如果您有任何现有的R（来自CRAN）安装，可以安装在单独的目录中。你可以使用流行的IDE Rstudio。从一开始，R就被设计为一次只使用一个线程（处理器）。即使在今天，除非与多线程BLAS / LAPACK库链接，否则R会以这种方式工作。
今天的多核机器提供并行处理能力。为了利用这一点，Microsoft R Open包含多线程数学库。 这些库使得许多常见的R操作成为可能，例如矩阵乘法/逆矩阵，矩阵分解和一些更高级别的矩阵运算，可以并行计算并使用所有可用的处理能力来减少计算时间。
请查看以下链接：
https://mran.revolutionanalytics.com/rro/#about-rro
http://www.r-bloggers.com/using-microsoft-r-open-with-rstudio/
答案 4 :(得分：3)
正如David Heffernan所说，看看革命分析博客。但是你应该知道大多数软件包都适用于Linux。所以，如果你使用Windows，它会更难。 无论如何，看看这些网站：
Revolution。在这里你会发现关于R中的并行化的讲座。讲座实际上非常好，但正如我所说的，大多数技巧都是针对Linux的。
这个 Stackoverflow 的帖子将讨论Windows中的一些实现。
答案 5 :(得分：1)
future软件包使使用并行和分布式处理在R中工作非常简单。 More info here。如果要将函数并行应用到元素，则future.apply包提供了一种使用“应用”族函数（例如apply()，lapply()和{{1} }）。
示例：
vapply()