对于比较复杂的互联网应用业务场景，比如海量数据商品搜索、广告点击算法、用户行为挖掘、关联推荐模型等等，由于数据量极大，对于数据处理的速度会要求非常高。要大幅提升算法的效率，最直接的方法就是：使用并行计算。
但是，并行计算有一个很大的问题：传统的程序都是基于单机编写的。要更改为多机并行的程序，需要耗费较大的学习成本。尤其在真实的场景当中，业务本身很复杂，初学者一头扎进去，容易绕晕了头。
因此，我们需要一个通俗易懂的例子来直接看到并行计算的优势。
下面，淘宝网高级专家千峰就编写了这样的一个例子，51CTO受邀将这篇文章分享给大家。
文章概述
问题：
请写一个程序，输入M，然后打印出M个数字的所有排列组合（每个数字为1，2，3，4中的一个）。比如：M=3，输出：
1，1，1 1，1，2 …… 4，4，4
共64个
注意：这里是使用计算机遍历出所有排列组合，而不是求总数，如果只求总数，可以直接利用数学公式进行计算了。
传统的单机解决方案：
1）单机递归
将n（1<=n<=4）看做深度，输入的m看做广度。当m数字很大时，会超出单台机器的计算局限导致缓慢。
2）单机迭代
求m个数字的排列组合，实际上都可以在m-1的结果基础上得到。但是，当m=14的时候，结果已经上亿了。无论以什么格式存，最终在单机上都会内存溢出。
分布式并行计算解决方案：
1）多机递归
这是本篇文章的重点。
核心思想：重新设计算法，按多机进行拆分和合并，利用并行计算优势去完成结果。
按照并行计算的算法，n台计算机可以将递归降一级，n*n台计算机可以将递归降两级。理论上，只要机器足够多，就能持续降低递归的复杂度。
运行步骤：
使用fourinone框架设计分布式并行计算。整个框架通过一个ParkServerDemo做整体的工人注册和分布式协调，中间有作为包工头的CombCtor（分配工作+统计结果），最下面有多个CombWorker作为工人实现（干活儿+返回结果）。
文中有多机递归实现的完整代码。
2）多机迭代
本文提供了三个多机迭代的思路。相对多机递归的方式，多机迭代的方式在这个例子中并不高效，因此没有提出实现方式。
