parfor的并行思想是把同一批数据分给for循环中不同的循环体，进行处理。spmd的思想则是不同的数据，用同一个程序处理。当然这个程序内部可以编写针对不同情况的处理代码。spmd的内部实现代码限制很少，spmd的灵活性比parfor要高得多。

spmd的使用方法如下：

startmatlabpool(2)

spmd

a = magic(labindex )%代码

end

closematlabpool;结果：

Lab 1:

a =

1

Lab 2:

a =

1     3

4     2

为了处理不同的情况，spmd实际运行时会获取当前线程编号，用常量labindex表示，等同于openMP的omp_get_thread_num()。

问题一：如何在外部手动分配数据？

startmatlabpool(2)

p = Composite();

p{1} = rand(1,3);

p{2} = 'hello';

spmd

disp(p);

end

closematlabpool;结果：

Lab 1:

0.793866004096169         0.536373818464747         0.647201517107599

Lab 2:

hello

composite数据是spmd并行结构中最简单的数据，每个labindex线程只访问composite{labindex}数据。不可越界。在关闭并行环境后所有的composite数据都没了。

composite数据每个部分可以有不同的数据类型。

问题二：分布式计算可以用spmd吗？

of course。不过我也没有多台可以分布式计算的电脑，只能试验一下了。

分布式计算的一大问题是数据的管理。下面分为两个部分：

1、客户端分配

客户端(client)使用distributed语句产生分布式数据。默认根据最后一个维度来分配数据，你也可以自己调。下面源码：

startmatlabpool(2)

a = rand(5,2);

p1 = Composite();

b = rand(5,2);

for i = 1:2

p1{i} = a(:,i);

end

p2 = distributed(b);

%p2 = distributed.rand(5,2);%同样可以这样干

spmd

disp([p1 getLocalPart(p2)]);

end

closematlabpool;结果：

Lab 1:

0.101441167942127         0.885325931102933

0.395333513944682         0.140505759300116

0.604619875183008        0.0679844441385649

0.102777340759248         0.890917146877593

0.603123131497137         0.862605458737845

Lab 2:

0.68058153278091         0.239578384767141

0.895975215333032         0.435924760832413

0.584621985559958         0.831829000715115

0.972073878349711         0.212887327746207

0.872288140538251          0.18323345771615

请注意获取p2要使用getLocalPart语句。

2、服务端(线程计算端)分配

startmatlabpool(2)

spmd

X = [1 2;4 5];

codist = codistributor1d(1, [1 1]);%1表示第一维度切割，行切割，[1 1]表示每个lab分配一行数据

C = codistributed(X, codist);

disp([labindex, numlabs]);

disp(getLocalPart(C));

end

closematlabpool; 结果Lab 1:         1     2           1     2    Lab 2:         2     2           4     5