我有一个对象向量，每个对象都是机器学习代理类的示例。对于这个任务的目的，唯一重要的是这个类的每个示例都必须运行一个复杂的、代价高昂的run（）函数，该函数对存储在该对象中的各种数据结构执行许多不同的操作。它还使用了一对在类外部定义的变量，但如果需要的话可以修复-当运行run（）时，对象不需要相互交互或与全局变量交互。现在，这个向量中的代理数量非常小，通常等于CPU核心的数量。
我已经运行了一个测试，它只提供了一个~2.6的速度提升与8个线程的8核处理器，不理想。该功能仅限于每个循环使用~ 17 ms。简化后，它看起来像这样：

vector <MLAgent> agent;
float learning_speed = .01;
size = agent.size();
#pragma omp parallel for num_threads(num_CPU * (size > num_CPU) + size * (size <= num_CPU))
for (int i = 0; i < size; i++)
agent[i].run(learning_speed);

字符串
如何改善这种情况？以不同的方式存储代理会有帮助吗？run函数不使用任何全局变量是否重要？并行化run（）的部分基本上不是一个选择-它太复杂和集成了。