基于GPU的人工蜂群算法改进模型及其应用研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 背景介绍 | 第8-9页 |
| 1.2 国内外研究进展 | 第9-11页 |
| 1.3 论文主要工作和组织结构 | 第11-13页 |
| 第2章 人工蜂群算法及相关技术 | 第13-20页 |
| 2.1 CPU-GPU异构系统 | 第13-14页 |
| 2.2 GPU编程模型 | 第14-17页 |
| 2.3 人工蜂群算法 | 第17-20页 |
| 第3章 PABC模型设计及实现 | 第20-36页 |
| 3.1 CPU中数据组织优化 | 第20-23页 |
| 3.1.1 数据存储方式优化 | 第20-21页 |
| 3.1.2 数据通讯优化 | 第21-22页 |
| 3.1.3 随机数生成优化 | 第22-23页 |
| 3.2 GPU中并行化设计 | 第23-25页 |
| 3.2.1 采蜜蜂阶段并行化设计 | 第23-24页 |
| 3.2.2 适应度计算并行化设计 | 第24-25页 |
| 3.2.3 跟随蜂阶段并行化设计 | 第25页 |
| 3.3 CPU-GPU总体PABC模型设计 | 第25-27页 |
| 3.4 PABC模型分析 | 第27-30页 |
| 3.5 针对标准测试函数的实验及分析 | 第30-36页 |
| 3.5.1 评价函数 | 第30-31页 |
| 3.5.2 实验参数设定 | 第31页 |
| 3.5.3 算法性能分析 | 第31-36页 |
| 第4章 PABC模型的应用及实验 | 第36-54页 |
| 4.1 应用于Canny算子图像边缘检测 | 第36-42页 |
| 4.1.1 Canny算子边缘检测算法实现 | 第36-37页 |
| 4.1.2 传统Canny算子算法缺陷 | 第37页 |
| 4.1.3 并行化Canny算子算法 | 第37-42页 |
| 4.2 Canny算子图像边缘检测实验及分析 | 第42-44页 |
| 4.2.1 实验环境及参数设定 | 第42-43页 |
| 4.2.2 实验结果分析 | 第43-44页 |
| 4.3 应用于粒子滤波视频跟踪技术 | 第44-47页 |
| 4.3.1 粒子初始化 | 第45-46页 |
| 4.3.2 并行采蜜优化 | 第46页 |
| 4.3.3 适应度选取优化 | 第46-47页 |
| 4.3.4 标注结果 | 第47页 |
| 4.4 粒子滤波视频跟踪实验及分析 | 第47-54页 |
| 4.4.1 实验环境及参数设定 | 第47页 |
| 4.4.2 算法定性分析 | 第47-50页 |
| 4.4.3 算法定量分析 | 第50-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 论文总结 | 第54-55页 |
| 5.2 不足与缺陷 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间的研究成果 | 第59-60页 |
| 致谢 | 第60页 |
