| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-10页 |
| 1 蚁群算法介绍及其研究现状 | 第10-18页 |
| ·TSP问题 | 第10-11页 |
| ·经典蚁群优化算法 | 第11-14页 |
| ·基本蚂蚁系统 | 第11-12页 |
| ·最大最小蚂蚁系统 | 第12-13页 |
| ·蚁群系统 | 第13页 |
| ·基于排列的蚂蚁系统 | 第13-14页 |
| ·精英蚂蚁系统 | 第14页 |
| ·串行ACO研究现状 | 第14-17页 |
| ·基于信息素扩散的蚁群算法 | 第14页 |
| ·改进扩散蚁群算法 | 第14-15页 |
| ·近似骨架导向蚁群算法 | 第15-16页 |
| ·基于全局与局部蚂蚁的蚁群算法 | 第16页 |
| ·具备感觉和知觉特征的蚁群算法 | 第16-17页 |
| ·GPU并行ACO研究现状 | 第17-18页 |
| ·基于GPU的最大最小蚁群算法 | 第17页 |
| ·基于GPU加速的细粒度并行蚁群算法 | 第17页 |
| ·基于All-In-Roulette选择算法的GPU并行蚁群优化算法 | 第17-18页 |
| 2 基于视觉反馈与行为记忆的蚁群算法 | 第18-29页 |
| ·VM-MMACO算法基本原理 | 第18-20页 |
| ·VM-MMACO算法相关理论 | 第20-26页 |
| ·视觉形成机制及抽象模型 | 第20-23页 |
| ·累积学习理论及抽象模型 | 第23-26页 |
| ·VM-MMACO算法模型 | 第26-29页 |
| 3 GPU环境下并行VM-MMACO算法 | 第29-42页 |
| ·GPU物理结构及与其它并行平台对比 | 第29-31页 |
| ·GPU物理结构 | 第29-30页 |
| ·与多核CPU的对比 | 第30页 |
| ·与分布式集群的区别 | 第30-31页 |
| ·GPU的优势 | 第31页 |
| ·CUDA编程模型及技术要点 | 第31-35页 |
| ·CUDA编程模型 | 第31-33页 |
| ·编程要点 | 第33-35页 |
| ·基于GPU的VM-MMACO并行算法 | 第35-42页 |
| 4 实验与结果分析 | 第42-52页 |
| ·VM-MMACO仿真实验结果 | 第42-48页 |
| ·VM-MMACO仿真 | 第42-45页 |
| ·与其它蚁群算法的对比 | 第45-46页 |
| ·参数取值对VM-MMACO算法的影响 | 第46-48页 |
| ·GPU下VM-MMACO实验结果 | 第48-52页 |
| ·与GPU环境下MMACO的对比 | 第48-50页 |
| ·与串行环境下VM-MMACO的对比 | 第50-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 附录A 程序代码 | 第55-74页 |
| 攻读硕士学位期间发表学术论文情况 | 第74-75页 |
| 致谢 | 第75-76页 |