基于GPU的人工蜂群算法改进模型及其应用研究

发布时间：2019-10-08 05:31

【摘要】：随着大规模并行计算技术的高速发展以及GPU硬件水平的不断提高,越来越多拥有并行化特点的算法在其并行化阶段运用到了GPU并行计算技术。而人工蜂群算法具有部分并行化的特点,在寻找最优解的过程中各个种群内粒子相对独立。本文在总结传统运行在CPU上的人工蜂群算法的基础上,提出了基于GPU的人工蜂群算法模型(PABC)。PABC算法的采蜜蜂、跟随蜂的邻域搜索阶段以及适应度计算阶段均运行在GPU内核中,利用人工蜂群算法中各个蜜蜂的独立性,达到并行运算的目的。PABC模型的数据初始化、随机数生成等数据组织阶段运行在CPU中,并增加了GPU和CPU之间的数据通讯。由于采用了CPU、GPU协同工作模式,PABC比传统ABC模型拥有更快的处理速度,并且可以在大种群的背景下表现优异。本文还进行了针对5个测试函数的实验对PABC模型进行论证。此外,本文将PABC模型分别应用到了Canny算子图像边缘检测算法和粒子滤波视频跟踪技术中。通过与传统Canny算子图像边缘检测算法的结合,由实验证明在不同的种群规模、迭代次数下,均能够提高边缘检测算法的执行速度。在PABC应用于粒子滤波算法时,由6个标准图像序列实验论证了改进后的算法在跟踪效果的稳定性、准确性和效率上均有较好的表现。
【图文】：

浮点计算,异构系统,蜂群,相关技术

第2 章人工蜂群算法及相关技术第 2 章人工蜂群算法及相关技术PU-GPU 异构系统为止，GPU 上的浮点计算的运算性能已经比 CPU 快了超过 10异构计算技术的日趋成熟，许多的异构系统和并行化算法U 异构的架构方式[18]。这种 CPU-GPU 异构系统也逐渐展示了高了 GPU 和 CPU 的浮点计算速度的比较。目前，CPU-GPU 异构用在了医学图像、计算流体动力学、环境科学以及数学研究[1

运算能力,型号,线程,内核程序

图 2.2 CUDA 在不同型号 GPU 上的运算能力Fig. 2.2 CUDA computing power on different types of GPU个CUDA程序是由在CPU上的宿主程序和一个或多个被称为内核的语言函数组成的。这些内核程序将被执行在 GPU 上，且按照并行化组织起来。这些线程被程序开发人员组成线程块[26]。所有在同一个程都允许相互进行同步并且可以访问一块高速的、属于每一个线程。而不同的线程块之间且处于同一个线程区域的线程只能通过操作互相协作。CUDA 需要线程块相互独立，这意味着无论线程块的顺内核程序必须正确地执行。penCL 是一个开发应用程序的框架，它可以允许在一系列的设备类型MD、NVIDIA、Intel 或者 IBM[27]。一个 OpenCL 应用包含一个主机行在计算设备上的内核程序集。OpenCL 特殊规定了一种面向内核的及一个 API 接口用来在主机程序和不同设备中传输数据，，其数据流 2.3。目前主流的 OpenCL 标准支持三种实现： AMD 公司开发的应
【学位授予单位】：中国石油大学(北京)
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41

【参考文献】