cl.cores <- detectCores()
cl<- makeCluster(cl.cores)
detectCores()检查当前电脑可用核数。
makeCluster(cl.cores)使用刚才检测的核并行运算。R-Doc里这样描述makeCluster函数：Creates a set of copies of R running in parallel andcommunicating over sockets. 即同时创建数个R进行并行运算。在该函数执行后就已经开始并行运算了，电脑可能会变卡一点。尤其在执行par开头的函数时。
在并行运算环境下，常用的一些计算方法如下：
1. clusterEvalQ(cl,expr)函数利用创建的cl执行expr。这里利用刚才创建的cl核并行运算expr。expr是执行命令的语句，不过如果命令太长的话，一般写到文件里比较好。比如把想执行的命令放在Rcode.r里：
clusterEvalQ(cl,source(file="Rcode.r"))
2.par开头的apply函数族。这族函数和apply的用法基本一样，不过要多加一个参数cl。一般如果cl创建如上面cl <-makeCluster(cl.cores)的话，这个参数可以直接用作parApply(cl=cl,…)。当然Apply也可以是Sapply,Lapply等等。注意par后面的第一个字母是要大写的，而一般的apply函数族第一个字母不大写。
另外要注意，即使构建了并行运算的核，不使用parApply()函数，而使用apply()函数的话，则仍然没有实现并行运算。换句话说，makeCluster只是创建了待用的核，而不是并行运算的环境。
最后，终止并行运算只需要一行命令：
stopCluster(cl)
“+”标示语句没有闭合，比如在循环中，在分支中，或者写函数等，分多行都会有加号；
直接键盘按Esc键退出就可以把+号去掉，恢复正常的编辑状态。清屏用快捷键Ctrl+L 就可以清除所有编辑的语句。
例如；
td<-function(fx,a,b,r){ #(fx:是表达式，方程是fx=0,变量是dux；a，b，区间[a,b],r是精度。
x<-ada<-eval(fx)
调用函数：
fx<-expression(x*x-x-1)
a<-1b<-2r<-1e-5
td(fx,a,b,r)
扩展资料：
R语言有程序的控制结构和函数function。尽管R语言是解释型语言，但是可以用编译的方式实现，调用方法是source(file.R)命令。R语言的软件包能在编程环境中，通过子菜单下载后安装，因此是无障碍的。
程序中加载软件包的命令，
>library(parallel) #并行计算软件包，单线程多核
查找软件包中所有函数，
>library(help=parallel)
>help(packet=parallel)
R语言和解释型语言一样，没有变量声明。R语言能编写c++程序，应用Rcpp软件包。
参考资料来源：百度百科-R语言编程
可能是代码有问题。如果只是建立模型的那一行代码跑的很慢，如果建立模型的代码本身没有提供并行计算功能，部分模型可以尝试把公式换成则分别传入x=，y=参数，多数模型无法加速。再除非有其他R包，可以建立同样的模型，并且速度更快。
R语言是集统计分析与图形显示于一体的用于分析、绘图的语言和操作环境的软件。
