資訊科學常用「平行化」(Paralleism)的程度，來分類計算問題。即一個問題能否被分割成許多子問題，讓不同的處理器平行來處理？如果可以，便可以同時利用許多部電腦，來加速您的計算工作。

另一種則是依問題的粒狀化(granularity)程度來分類。每個子問題是否高度依賴其他子問題的結果？如果是，您要處理的是細粒子平行計算(fine-grained)。例如，在大氣模式的運算中，大氣層被切割成許多小塊，每一小塊被分到不同的處理器去運算，但每一塊的初始資料都需要相鄰另一塊的計算結果。也就是說，僅管發生改變的是相距甚遠的一小塊，仍會有所影響。這就是有名的「蝴蝶效應」，一隻蝴蝶在中國揮動趐膀，亦可造成美洲的颶風。實際上，細粒子平行計算需要非常聰明的編程，才能達到平行的最佳化，正確的資訊才會在正確的時間進入處理器。

另一種是粗粒子平行(coarse-grained )或完全平行(embarrassingly parallel)計算。每個子問題都是獨立的，例如蒙地卡羅模擬(Monte Cario Simulation)。您可以利用它在真實系統(real system??)的複雜模式來改變參數，並以統計技術來研究結果－這有點像是電腦實驗；在這個情況下，每一個計算都是各自獨立的。另一個例子是大量醫療影像資料庫的分析，每一張影像都是獨立的。

經驗法則告訴我們，細粒子的計算比較適用於大型且獨立的超級電腦，或至少是非常緊密的叢集電腦，這是由於他們擁有非常一致的處理器，可以確保彼此間的通訊不會遇到瓶頸，一般通稱為高效能計算(high-throughput computing)。另外，完全平行(embarrassingly parallel)計算較適用於鬆散的網路連結，因為傳輸的延遲並不會影響其他處理器的工作，一般通常稱為高產能計算(high-throughput computing)。

表面上看來，粗粒子平行計算似乎比較適用於網格，但事實上並不儘然，有些科學應用仍需要結合上述兩種方法，這也是網格可以發揮強大功能的地方。舉例來說，當要建構一個複雜的氣候模型時，研究者希望測試各種不同的參數，研究各種不同的結果，因此便會執行許多相似的計算。因為氣候預測是天氣預測的長時間尺度，所以每一個計算即是所謂的細粒子平行計算，都需要在叢集電腦或超級電腦上執行。