一、研究背景
群智能算法是一种新兴的演化技术，已经成为越来越多研究这的关注焦点，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。
群智能理论研究领域主要有两种算法：蚁群算法和粒子群算法。蚁群算法是对蚂群落食物采集过程的模拟，已成功应用于许多离散优化问题。粒子群优化算法也是起源于对简单社会系统的模拟。粒子群优化算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食对的过程，但后来发现它是一种很好的优化工具。
蚁群在寻找食物时通常可以找到巢穴到食物之间最短的路径，每只蚂蚁个体的智能度很低，但是通过彼此之间的简单交流，蚂蚁群体的智能度很高，这一现象给我们在搜索问题最优解中带来了直接的启发。
随着GPU 等高性能平台近些年来的不断发展，同时群智能算法所具有的的隐含并行性为算法在GPU上的实施提供了有利的平台基础，基于GPU平台的群智能算法逐渐成为高维复杂优化问题的首选。
二、研究现状
文献一提出了一种适用于图形处理器的并行MAX-MIN蚂蚁系统（MMAS）算法。该算法主要是多个蚂蚁群通过各自的参数设置被并行地写在到GPU上。目前作者已经在具有计算同一设备架构（CUDA）的GPU上实现了这个基于GPU的MMAS，介绍了GPU核心程序的性能优化方法。
文献二提出了两个ACO实现，用来解决现有的蚁群优化算法实现无法有效解决大型问题实例，这个两个ACO使用图形处理的纳元来支持所需的计算。
文献三立足于基于多可CPU和众核GPU体系结构，着重针对并行优化算法做了深入研究。文献中作者分析了多核CPU和众核GPU的不同体系结构，探讨实现多核CPU和众核GPU的并行计算方法；另一方面结合经典并行算法,研究其在多核CPU和众核GPU体系结构上的优化,并利用标准算例验证所提出方法的有效性；利用单芯片CPU/GPU的并行计算性能,提出基于CPU/GPU协同并行图像卷积算法,获得高效的CPU/GPU协同并行计算解决方案。
文献四针对传统并行蚁群算法在实际应用中的不足,结合GPU的高速并行性,提出了一种基于GPU加速的细粒度并行蚁群算法(GPUACO),将并行ACO求解过程转化为CUDA内核,使用CUDA线程块模拟蚂蚁个体,使ACO算法在GPU中加速执行。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
