你知道是否有计划在 R 中为所有包引入并行编程？我知道一些发展，例如 R-revolution 和并行编程包，但它们似乎具有替代最流行功能（线性编程等）的专用功能。然而，R 的一大优点是每天都有大量专门的软件包支持，使复杂且耗时的分析非常容易运行。其中很多使用了广义线性模型等非常流行的函数，但也将结果用于额外的计算和比较，最后整理输出。据我了解，您需要定义函数的哪些部分可以在并行编程中运行，所以这可能是大多数专业 R 包不运行的原因
是否有任何计划（或任何包）使所有最流行的 R 函数能够并行处理，以便包含这些的所有不太流行的函数都可以并行处理运行？例如，difR 包的大部分功能都使用了 glm 功能；如果 glm 包能够在所有多处理器机器的并行处理中运行（或重新编写，然后在新的 R 版本中发布），则不需要重新编写 difR 包，然后可以运行一些借助 Windows PC 上的并行编程，了解其最繁重的程序。
我完全同意保罗的回答。
此外，用于并行化的通用系统需要一些非常重要的校准，即使对于那些可以轻松并行化的函数：如果您有一个提供并行计算的多个函数的调用堆栈（例如，您正在引导一些模型拟合，模型拟合可能已经提供并行化并且低级线性代数可以隐式并行）？您需要估计（或手动选择）应该在哪个级别进行显式并行化。此外，您可能有隐式并行化，因此您需要在这些之间进行权衡。
但是，有一种特别简单且通用的方法可以在 R 中隐式并行化计算：通过使用优化的 BLAS，可以显着并行化和加速线性代数。使用它可以（取决于您的系统）就像告诉您的包管理器安装优化的 BLAS 一样简单，R 将使用它。一旦链接到 R，所有使用基本线性代数函数（如 、 等）的包%*%都crossprod将solve受益。
参见例如 Dirk Eddelbüttel 的gcbd包及其小插图，以及如何使用 GotoBLAS2 / OpenBLAS 的讨论。
如何并行化某个问题通常并非易事。因此，必须在每种情况下进行特定的实现，在这种情况下，对于每个 R 包。因此，我认为不会在 R 中实现并行处理的一般实现，甚至是不可能的。