FDTD算法非常适合并行运算，因此，从Lumerical公司成立的那一天起，FDTD Solutions计算引擎的核心部分就可以根据不同的计算机硬件并行运算。 另外，对于扫描和优化作业，需要仿真大量的文件，为了提高仿真效率，Lumerical公司也提供了相应的并行计算解决方案。根据仿真文件和所涉及的计算机硬件，有两种并行计算方法：
1：分布式并行运算 Distributed Parallel Simulation
从Lumerical公司成立的那一天起，分布式并行运算就是一个缺省的选项，只要仿真需要，并且计算机有足够的核或者CPU，都可得以充分利用，此种并行运算是针对
一个仿真文件和一台物理计算机（即一台个人电脑或者集群CLuster的节点）
参见下图：
上方表示一个仿真文件的空间，下方表示它可以分解为522=20个小块，每个小块使用一个Process来计算。注意这里我们使用Process而不是核或者CPU，这是因为实际计算机它们三者之间的关系比较复杂。
在缺省的情况下，只要用户在Resouce
那里设置Process个数，软件会自动地根据文件的大小选择最优的小块来并行运算。这种分布式并行运算不需要额外的License，只要能打开软件的GUI图形界面，就可以使用。
当然，如果你有EngineLicense， 也可以不用图形界面而直接用命令行运行。
需要注意的是，由于在每个时间步长上每块需要与相邻的块交换数据（相当于边界条件），因此，并不是设置的Process个数越多越好，用户最好先行测试。具体每个Process最好有多少仿真量与计算机硬件有直接关系。
软件本身支持多核并行、跨节点并行，支持
MPICH2
Microsoft MPI
Intel MPI
Cusom
等并行库
2：共发式并行运算Concurrent Parallel Simulation
当用户需要参数扫描、优化时，需要大量的仿真，这种共发式并行运算就是针对这种情况设计的。此时，软件可以自动在
不同的计算机上同时仿真不同的文件，而且每台计算仍然可以分布式并行运算
前提是，每台计算机上都必须有EngineLicense，而且它们会好在同一个局域网内（即一个路由器下面）:
下图显示在Resouce那里设置了5台机器，名字分别为local, node2,node3,node4 和 node5。其中local是当前打开仿真文件的当地机器； node2,node3,node4 和 node5是局域网内其它能够获取Licnese的机器，即这些机器或者本身安装了EngineLicense， 或者能够连接到安装Engine License的机器。此时，该用户共有一个FullLicense和4个EngineLicense。 如果你们计算机管理员并没有给计算机命名，也可以使用计算机的IP地址。
如此，仿真将加快５倍。
为了获得最好的仿真效果，我们建议者喜参与仿真的计算机性能相当，否则某台性能差的计算机可能影响仿真效率，因为仅当所有文件仿真结束后，共发式并行运算才结束，并获取结果。
如果文件的仿真量小，你的计算机性能也很好，你可以在同一台计算机上在仅有一个License的情况下做共发式并行运算，其设置同上面一样，只不过是你点复制就可以
对于Concurrent 在这里的翻译，当时也比较犯难。考虑其共行性，是逻辑上同时发送和空间上的并行，再考虑与并行的区别，故此。现在比较新的一种翻译是并发，但是由于我们已经使用共发，就一直沿用。
有关硬件配置的一般参考性意见参见这个帖子
并不比一台一般笔记本（内存4G，I5双核）在运算速度上有显著提升。参数设置都一样，在128G电脑上把process从5调到50，发现基本没有变化，该如何提高运算速度呢？预期以为时间会缩短为1/10，结果发现几乎一样。
