| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 国内外研究现状 | 第9-11页 |
| 1.4 本文研究内容 | 第11页 |
| 1.5 本文组织结构 | 第11-12页 |
| 1.6 本章小结 | 第12-13页 |
| 2 相关研究综述 | 第13-25页 |
| 2.1 粒子群算法 | 第13-16页 |
| 2.1.1 粒子群算法概述 | 第13-14页 |
| 2.1.2 粒子群算法思想描述 | 第14页 |
| 2.1.3 粒子群算法的数学描述 | 第14-15页 |
| 2.1.4 经典粒子群算法 | 第15-16页 |
| 2.2 GPU通用计算 | 第16-21页 |
| 2.2.1 GPU通用计算方法的研究现状 | 第17页 |
| 2.2.2 CUDA执行模型 | 第17-18页 |
| 2.2.3 CUDA编程模型 | 第18-19页 |
| 2.2.4 CUDA存储器 | 第19-20页 |
| 2.2.5 CUDA软件体系 | 第20页 |
| 2.2.6 CUDA优缺点分析 | 第20-21页 |
| 2.3 云计算概述 | 第21-24页 |
| 2.3.1 云计算服务方式 | 第21-22页 |
| 2.3.2 云计算平台 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 在AWS上基于CUDA的PSO算法设计与实现 | 第25-35页 |
| 3.1 AWS GPU计算环境的搭建和管理 | 第25-26页 |
| 3.2 AWS PSO算法并行设计 | 第26-27页 |
| 3.3 在AWS上基于CUDA的并行粒子群算法优化 | 第27-29页 |
| 3.3.1 全局内存的合并存取优化 | 第27-28页 |
| 3.3.2 细粒度线程并行存储优化 | 第28-29页 |
| 3.4 在AWS上基于CUDA的并行粒子群算法的实现 | 第29-31页 |
| 3.4.1 计算适应度 | 第29-30页 |
| 3.4.2 更新粒子当前个体历史最佳适应度值及其位置 | 第30-31页 |
| 3.4.3 更新全局最优的适应度值,并保存其位置 | 第31页 |
| 3.4.4 更新粒子的速度和位置 | 第31页 |
| 3.5 算法实验 | 第31-34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 AWS PSO算法在军用无人机航迹规划问题上的应用 | 第35-47页 |
| 4.1 无人机在军事上的应用概述 | 第35页 |
| 4.2 无人机航迹规划 | 第35-37页 |
| 4.2.1 无人机航迹规划中分层思想 | 第36-37页 |
| 4.2.2 动态无人机航迹规划的实时需求 | 第37页 |
| 4.3 基于AWS的应用系统的架构设计 | 第37-39页 |
| 4.4 基于AWS PSO算法的无人机实时航迹规划的设计与实现 | 第39-45页 |
| 4.4.1 安全飞行曲面构建 | 第39-41页 |
| 4.4.2 最小威胁曲面 | 第41-42页 |
| 4.4.3 搜索空间构造 | 第42-43页 |
| 4.4.4 航迹规划代价函数 | 第43-44页 |
| 4.4.5 算法实现 | 第44-45页 |
| 4.5 仿真结果 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 结论 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 攻读硕士学位期间学术成果 | 第50-51页 |
| 致谢 | 第51-52页 |
