| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-15页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12页 |
| ·国内外研究现状 | 第12-13页 |
| ·论文的主要工作 | 第13页 |
| ·论文的章节安排 | 第13-15页 |
| 第2章 GPU 及 CUDA 编程环境简介 | 第15-30页 |
| ·GPU 的简介 | 第15-19页 |
| ·GPU 发展史 | 第15-16页 |
| ·GPU 与 CPU 在架构上的区别 | 第16-17页 |
| ·GPU 的优劣 | 第17-19页 |
| ·CUDA 的简介 | 第19-29页 |
| ·CUDA 编程模型 | 第19-23页 |
| ·CUDA 存储层次 | 第23-27页 |
| ·CUDA 编程接口 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 并行遗传算法的设计 | 第30-44页 |
| ·传统的遗传算法 | 第30-31页 |
| ·基于 GPU 的并行遗传算法 | 第31-34页 |
| ·遗传算法与 GPU 结合的优势分析 | 第31-32页 |
| ·并行粗粒度并行遗传算法设计 | 第32-34页 |
| ·设计遗传算子 | 第34-40页 |
| ·选择算子的设计 | 第34-36页 |
| ·交叉算子的设计 | 第36-39页 |
| ·变异算子的设计 | 第39-40页 |
| ·并行遗传算法中的参数的设计 | 第40-41页 |
| ·算法中的群体的容量 | 第40页 |
| ·适应度函数的设定 | 第40-41页 |
| ·交叉率的设定 | 第41页 |
| ·变异概率的设定 | 第41页 |
| ·算法的结束条件 | 第41页 |
| ·惩罚函数的改进 | 第41-43页 |
| ·惩罚函数分类 | 第42页 |
| ·惩罚函数的改进 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 基于并行遗传算法的 TSP 问题的实现研究 | 第44-53页 |
| ·传统串行遗传算法解决 TSP 问题 | 第44-45页 |
| ·在并行环境下解决 TSP 问题 | 第45-47页 |
| ·实验对比测试 | 第47-52页 |
| ·实验环境 | 第47页 |
| ·实验数据 | 第47-48页 |
| ·遗传算法具体参数 | 第48-49页 |
| ·实验结果 | 第49-51页 |
| ·实验分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| ·对完成论文工作所做的总结 | 第53页 |
| ·对未来工作的展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57页 |