我做了一个小实验，用“Parallel”运行一个方法“1,000,000,000(10亿)次”。和一个带有“Task”对象的。

我测量了处理器时间，发现并行更有效。平行的。For将任务划分为小的工作项，并以最佳方式在所有核心上并行执行。在创建大量任务对象(供参考，TPL将在内部使用线程池)时，将移动每个任务的每次执行，从而在方框中产生更多压力，这从下面的实验中可以明显看出。

我还创建了一个小视频，解释了基本的TPL，并演示了如何并行。用于更有效地利用您的核心http://www.youtube.com/watch?v=No7QqSc5cl8与正常的任务和线程相比。

实验1

Parallel.For(0, 1000000000, x => Method1());

实验2

for (int i = 0; i < 1000000000; i++)
{
    Task o = new Task(Method1);
    o.Start();
}

第一种是更好的选择。

平行的。ForEach在内部使用Partitioner<T>将您的集合分发到工作项中。它不会对每个项目执行一个任务，而是批量执行以降低所涉及的开销。

第二个选项将为您收集的每个项目安排一个任务。虽然结果(几乎)是相同的，但这会引入比必要的多得多的开销，特别是对于大型集合，并导致整体运行时变慢。

供参考-分区器使用可以通过使用适当的重载并行控制。每个人，如果需要的话。具体请参见MSDN上的自定义分区器。

在运行时，主要的区别在于第二种方式是异步的。这可以使用Parallel进行复制。通过做:

Task.Factory.StartNew( () => Parallel.ForEach<Item>(items, item => DoSomething(item)));

通过这样做，您仍然可以利用分区器，但是在操作完成之前不要阻塞。

平行的。ForEach将优化(甚至可能不会启动新的线程)并阻塞，直到循环完成，而Task。Factory将为每个项目显式地创建一个新的任务实例，并在它们完成之前返回(异步任务)。 平行的。Foreach更有效率。

在我看来，最现实的情况是当任务需要完成繁重的操作时。Shivprasad的方法更多地关注对象创建/内存分配，而不是计算本身。我做了一个研究，调用以下方法:

public static double SumRootN(int root)
{
    double result = 0;
    for (int i = 1; i < 10000000; i++)
        {
            result += Math.Exp(Math.Log(i) / root);
        }
        return result; 
}

这个方法的执行大约需要0.5秒。

我用Parallel调用了200次:

Parallel.For(0, 200, (int i) =>
{
    SumRootN(10);
});

然后我用传统的方式调用了200次:

List<Task> tasks = new List<Task>() ;
for (int i = 0; i < loopCounter; i++)
{
    Task t = new Task(() => SumRootN(10));
    t.Start();
    tasks.Add(t);
}

Task.WaitAll(tasks.ToArray()); 

第一个案例在26656毫秒内完成，第二个案例在24478毫秒内完成。我重复了很多次。每次第二种方法都要快一点。

我做了一个小实验，用“Parallel”运行一个方法“1,000,000,000(10亿)次”。和一个带有“Task”对象的。

我测量了处理器时间，发现并行更有效。平行的。For将任务划分为小的工作项，并以最佳方式在所有核心上并行执行。在创建大量任务对象(供参考，TPL将在内部使用线程池)时，将移动每个任务的每次执行，从而在方框中产生更多压力，这从下面的实验中可以明显看出。

我还创建了一个小视频，解释了基本的TPL，并演示了如何并行。用于更有效地利用您的核心http://www.youtube.com/watch?v=No7QqSc5cl8与正常的任务和线程相比。

实验1

Parallel.For(0, 1000000000, x => Method1());

实验2

for (int i = 0; i < 1000000000; i++)
{
    Task o = new Task(Method1);
    o.Start();
}