我注意到 R 在执行我的一个需要大量计算的程序时只使用一个内核。我想利用我的多核处理器让我的程序运行得更快。 我还没有深入研究过这个问题，但我希望能从你们的 cmets 中受益，因为我没有很好的计算机科学知识，而且我很难获得关于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包？
估计没那么简单。
【问题讨论】：
R 只能在附加包的帮助下使用多个内核，并且只能用于某些类型的操作。这些选项在 CRAN 上的 High Performance Computing Task View 上进行了详细讨论
更新：由于包含 parallel 包作为 R 附带的推荐包，因此不一定需要从 R 版本 2.14.0 附加包。parallel 包括 multicore 和 snow 包中的功能，基本没有变化。
【讨论】：
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，多核在 Windows 上不起作用。我写了一篇关于此last year 的博客文章，这可能会有所帮助。 Revolution Analytics 创建的包 doSMP 不是 R 的多线程版本。它实际上是多核的 Windows 版本。
如果您的工作是embarrassingly parallel，最好熟悉 lapply() 类型的结构。这将使您可以轻松地进入 mclapply() 甚至使用相同抽象的分布式计算。
对于不是“令人尴尬的并行”的操作来说，事情变得更加困难。
[编辑]
顺便说一句，Rstudio 作为 R 的前端越来越受欢迎。我喜欢 Rstudio 并且每天都在使用它。但是需要注意的是，Rstudio 不能很好地与 Multicore 配合使用（至少截至 2011 年 10 月......我知道 RStudio 团队将解决这个问题）。这是因为 Rstudio 在幕后做了一些分叉，而这些分叉与 Multicore 的分叉尝试相冲突。因此，如果您需要多核，您可以在 Rstuido 中编写代码，但在纯简 R 会话中运行它。
【讨论】：
在这个问题上，你总是得到非常简短的答案。我认为最简单的解决方案是基于雪的包snowfall。也就是说，在具有多个内核的 Windows 单台计算机上。另请参阅article of Knaus et al 此处的简单示例。 Snowfall 是 snow 包的包装器，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容易（我没有尝试所有这些）。
在旁注中，确实只有少数任务可以并行化，原因很简单，您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：多重和独立计算，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核。
另请阅读sfApply and custom functions 上的此讨论。
【讨论】：
Microsoft R Open 包含多线程数学库以提高 R 的性能。它适用于 Windows/Unix/Mac 所有操作系统类型。它是开源的，如果您有任何现有的 R（来自 CRAN）安装，则可以安装在单独的目录中。您也可以使用流行的 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 仍以这种方式工作。
当今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。 这些库使许多常见的 R 运算（例如矩阵乘法/逆运算、矩阵分解和一些更高级别的矩阵运算）能够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/
【讨论】：
正如 David Heffernan 所说，请查看革命分析博客。但是您应该知道，大多数软件包都是针对 Linux 的。所以，如果你使用windows会更难。 不管怎样，看看这些网站：
Revolution。在这里你会找到一个关于 R 并行化的讲座。这个讲座实际上非常好，但是，正如我所说，大多数技巧都是针对 Linux 的。
Stackoverflow 的这个帖子将讨论 Windows 中的一些实现。
【讨论】：
future 包使使用并行和分布式处理在R 中工作变得非常简单。 More info here。如果您想将函数并行应用于元素，future.apply 包提供了一种快速并行使用“应用”系列函数（例如 apply()、lapply() 和 vapply()）的方法。
例子：
library("future.apply")
library("stats")
x <- 1:10
# Single core
y <- lapply(x, FUN = quantile, probs = 1:3/4)
# Multicore in parallel
plan(multiprocess)
y <- future_lapply(x, FUN = quantile, probs = 1:3/4)
【讨论】：