基本上是正常的。并行算法的性能受很多因素的影响，如计算资源、内存带宽、通信开销和负载均衡等。在某些情况下，串行算法可能表现更好，因为并行算法需要更多的管理开销和通信时间。然而，在处理大规模数据集时，并行算法通常比串行算法更快。

以下是一个简单的示例，说明并行算法在处理大规模数据时可以快得多：

from multiprocessing import Pool

def sum_square_parallel(numbers):
    pool = Pool()
    result = pool.map(square, numbers)
    final_result = sum(result)
    return final_result

def square(number):
    return number * number

def sum_square_serial(numbers):
    result = 0
    for number in numbers:
        result += number * number
    return result

if __name__ == '__main__':
    numbers = list(range(1000000))
    result_parallel = sum_square_parallel(numbers)
    result_serial = sum_square_serial(numbers)
    print(f"Parallel result: {result_parallel}")
    print(f"Serial result: {result_serial}")

此代码使用了 Python 的 multiprocessing 库中的 Pool 类来并行计算数字列表中数字的平方和。sum_square_parallel 函数使用 Pool.map 方法将任务分配给 pool 中的 worker 进行计算。square 函数被用作 worker 中每个进程的任务函数，sum_square_serial 函数则以串行方式计算数字列表的平方和。当运行此代码时，我们可以看到 sum_square_parallel 运行得比 sum_square_serial 快得多。