| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-19页 |
| 第一节 研究背景 | 第11-12页 |
| 第二节 蚁群算法简介 | 第12-14页 |
| ·自然界中生物的群体智能 | 第12页 |
| ·蚁群算法 | 第12-14页 |
| 第三节 基于GPU的通用计算技术 | 第14-18页 |
| ·GPU简介 | 第14页 |
| ·CPU与GPU的对比 | 第14-17页 |
| ·基于GPU的通用计算技术 | 第17-18页 |
| 第四节 基于GPU的并行蚁群算法研究现状 | 第18页 |
| 第五节 论文内容与结构安排 | 第18-19页 |
| 第二章 连续域中的蚁群算法 | 第19-35页 |
| 第一节 蚁群算法的基本理论 | 第19-22页 |
| ·旅行商问题 | 第19页 |
| ·人工蚂蚁与真实蚂蚁 | 第19-20页 |
| ·基本蚁群算法的数学表达 | 第20-22页 |
| 第二节 蚁群算法在连续域中的扩展 | 第22-28页 |
| ·问题的引入 | 第22-23页 |
| ·连续蚁群算法的基本思想 | 第23-24页 |
| ·连续域中的信息素表达 | 第24-27页 |
| ·蚂蚁的依概率移动 | 第27页 |
| ·连续蚁群算法的伪代码 | 第27-28页 |
| 第三节 数值仿真验证 | 第28-34页 |
| ·对比算法 | 第28-30页 |
| ·实验设置 | 第30-31页 |
| ·实验结果 | 第31-34页 |
| 第四节 小结 | 第34-35页 |
| 第三章 连续蚁群算法的并行化及其GPU实现 | 第35-54页 |
| 第一节 CUDA并行计算技术 | 第35-40页 |
| ·总体介绍 | 第35-36页 |
| ·CUDA编程模型 | 第36-39页 |
| ·编写CUDA程序的基本流程 | 第39-40页 |
| 第二节 连续蚁群算法的并行化实现 | 第40-48页 |
| ·问题的引入 | 第40页 |
| ·总体设计 | 第40-41页 |
| ·AntsMoveKernel核函数 | 第41-44页 |
| ·FitnessKernel核函数 | 第44-46页 |
| ·UpdateArchiveTKernel核函数 | 第46-47页 |
| ·在主机端的CUDA程序 | 第47-48页 |
| 第三节 并行蚁群算法的实验研究 | 第48-53页 |
| ·实验设置 | 第48-49页 |
| ·实验结果 | 第49-53页 |
| 第四节 小结 | 第53-54页 |
| 第四章 连续蚁群算法在RFID场强分布建模中的应用 | 第54-70页 |
| 第一节 RFID无线射频识别技术 | 第54-58页 |
| ·RFID技术综述 | 第54-55页 |
| ·RFID系统的组成 | 第55-56页 |
| ·不同RFID系统的原理 | 第56-58页 |
| 第二节 神经网络建模的基本理论 | 第58-62页 |
| ·前馈神经网络基本理论 | 第58-61页 |
| ·基于神经网络的建模方法 | 第61-62页 |
| 第三节 RFID场强分布的神经网络建模 | 第62-69页 |
| ·RFID场强分布 | 第62-63页 |
| ·实验设置 | 第63-66页 |
| ·并行蚁群算法用于神经网络参数优化 | 第66页 |
| ·实验结果 | 第66-69页 |
| ·并行算法加速对比 | 第69页 |
| 第四节 小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 第一节 论文工作总结 | 第70-71页 |
| 第二节 后续展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第76页 |