基于GPU加速的细粒度并行蚁群算法
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-10页 |
| 1 蚁群算法及其并行的发展 | 第10-16页 |
| ·TSP问题 | 第10页 |
| ·基本蚁群系统 | 第10-11页 |
| ·AS扩展 | 第11-15页 |
| ·带精英策略的蚂蚁系统 | 第11-12页 |
| ·基于排序的蚂蚁系统 | 第12页 |
| ·最大最小蚂蚁系统 | 第12页 |
| ·蚁群系统 | 第12-13页 |
| ·其他改进算法 | 第13-14页 |
| ·各种蚁群算法的比较 | 第14-15页 |
| ·并行ACO的研究现状 | 第15-16页 |
| 2 基于GPU的通用计算 | 第16-25页 |
| ·基本概念 | 第16-19页 |
| ·GPU通用计算的应用 | 第19-21页 |
| ·GPU通用计算的限制 | 第21页 |
| ·GPU通用计算的发展方向 | 第21-25页 |
| 3 基于GPU加速的细粒度并行ACO | 第25-46页 |
| ·技术要点 | 第25-31页 |
| ·CUDA架构 | 第25-27页 |
| ·CUDA编程模型 | 第27-29页 |
| ·显存模型 | 第29-30页 |
| ·随机数的处理 | 第30-31页 |
| ·基于GPU的细粒度并行MMAS | 第31-40页 |
| ·MMAS算法的GPU并行化模型 | 第32-34页 |
| ·转移城市的GPU并行搜索 | 第34-37页 |
| ·GPU芯片内存的优化使用 | 第37-38页 |
| ·FGMMAS算法的GPU转换(GPUMMAS) | 第38-40页 |
| ·基于GPU的细粒度并行ACS | 第40-45页 |
| ·局部更新策略 | 第40-41页 |
| ·算法流程 | 第41-44页 |
| ·GPU局部更新效果分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 4 实验与分析 | 第46-51页 |
| ·GPUMMAS的实验结果 | 第46页 |
| ·GPUACS的实验结果 | 第46-47页 |
| ·实验结果分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 攻读硕士学位期间发表学术论文情况 | 第54-55页 |
| 致谢 | 第55-56页 |
