【摘要】：隨著大規(guī)模并行計(jì)算技術(shù)的高速發(fā)展以及GPU硬件水平的不斷提高,越來越多擁有并行化特點(diǎn)的算法在其并行化階段運(yùn)用到了GPU并行計(jì)算技術(shù)。而人工蜂群算法具有部分并行化的特點(diǎn),在尋找最優(yōu)解的過程中各個(gè)種群內(nèi)粒子相對(duì)獨(dú)立。本文在總結(jié)傳統(tǒng)運(yùn)行在CPU上的人工蜂群算法的基礎(chǔ)上,提出了基于GPU的人工蜂群算法模型(PABC)。PABC算法的采蜜蜂、跟隨蜂的鄰域搜索階段以及適應(yīng)度計(jì)算階段均運(yùn)行在GPU內(nèi)核中,利用人工蜂群算法中各個(gè)蜜蜂的獨(dú)立性,達(dá)到并行運(yùn)算的目的。PABC模型的數(shù)據(jù)初始化、隨機(jī)數(shù)生成等數(shù)據(jù)組織階段運(yùn)行在CPU中,并增加了GPU和CPU之間的數(shù)據(jù)通訊。由于采用了CPU、GPU協(xié)同工作模式,PABC比傳統(tǒng)ABC模型擁有更快的處理速度,并且可以在大種群的背景下表現(xiàn)優(yōu)異。本文還進(jìn)行了針對(duì)5個(gè)測(cè)試函數(shù)的實(shí)驗(yàn)對(duì)PABC模型進(jìn)行論證。此外,本文將PABC模型分別應(yīng)用到了Canny算子圖像邊緣檢測(cè)算法和粒子濾波視頻跟蹤技術(shù)中。通過與傳統(tǒng)Canny算子圖像邊緣檢測(cè)算法的結(jié)合,由實(shí)驗(yàn)證明在不同的種群規(guī)模、迭代次數(shù)下,均能夠提高邊緣檢測(cè)算法的執(zhí)行速度。在PABC應(yīng)用于粒子濾波算法時(shí),由6個(gè)標(biāo)準(zhǔn)圖像序列實(shí)驗(yàn)論證了改進(jìn)后的算法在跟蹤效果的穩(wěn)定性、準(zhǔn)確性和效率上均有較好的表現(xiàn)。
【圖文】：

第2 章 人工蜂群算法及相關(guān)技術(shù)第 2 章 人工蜂群算法及相關(guān)技術(shù)PU-GPU 異構(gòu)系統(tǒng)為止，GPU 上的浮點(diǎn)計(jì)算的運(yùn)算性能已經(jīng)比 CPU 快了超過 10異構(gòu)計(jì)算技術(shù)的日趨成熟，許多的異構(gòu)系統(tǒng)和并行化算法U 異構(gòu)的架構(gòu)方式[18]。這種 CPU-GPU 異構(gòu)系統(tǒng)也逐漸展示了高了 GPU 和 CPU 的浮點(diǎn)計(jì)算速度的比較。目前，CPU-GPU 異構(gòu)用在了醫(yī)學(xué)圖像、計(jì)算流體動(dòng)力學(xué)、環(huán)境科學(xué)以及數(shù)學(xué)研究[1

圖 2.2 CUDA 在不同型號(hào) GPU 上的運(yùn)算能力Fig. 2.2 CUDA computing power on different types of GPU個(gè)CUDA程序是由在CPU上的宿主程序和一個(gè)或多個(gè)被稱為內(nèi)核的 語言函數(shù)組成的。這些內(nèi)核程序?qū)⒈粓?zhí)行在 GPU 上，且按照并行化組織起來。這些線程被程序開發(fā)人員組成線程塊[26]。所有在同一個(gè)程都允許相互進(jìn)行同步并且可以訪問一塊高速的、屬于每一個(gè)線程。而不同的線程塊之間且處于同一個(gè)線程區(qū)域的線程只能通過操作互相協(xié)作。CUDA 需要線程塊相互獨(dú)立，這意味著無論線程塊的順內(nèi)核程序必須正確地執(zhí)行。penCL 是一個(gè)開發(fā)應(yīng)用程序的框架，它可以允許在一系列的設(shè)備類型MD、NVIDIA、Intel 或者 IBM[27]。一個(gè) OpenCL 應(yīng)用包含一個(gè)主機(jī)行在計(jì)算設(shè)備上的內(nèi)核程序集。OpenCL 特殊規(guī)定了一種面向內(nèi)核的及一個(gè) API 接口用來在主機(jī)程序和不同設(shè)備中傳輸數(shù)據(jù)，，其數(shù)據(jù)流 2.3。目前主流的 OpenCL 標(biāo)準(zhǔn)支持三種實(shí)現(xiàn)： AMD 公司開發(fā)的應(yīng)
【學(xué)位授予單位】：中國石油大學(xué)(北京)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 閆河;劉婕;楊德紅;王樸;金煒;;基于特征融合的粒子濾波目標(biāo)跟蹤新方法[J];光電子.激光;2014年10期

2 秦全德;程適;李麗;史玉回;;人工蜂群算法研究綜述[J];智能系統(tǒng)學(xué)報(bào);2014年02期

3 王智廣;王文亮;張同舉;魯強(qiáng);劉偉峰;;基于GPU改進(jìn)的并行人工蜂群算法[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

4 徐亮;魏銳;;基于Canny算子的圖像邊緣檢測(cè)優(yōu)化算法[J];科技通報(bào);2013年07期

5 詹云;趙新燦;譚同德;;基于OpenCL的異構(gòu)系統(tǒng)并行編程[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年11期

6 張益男;袁杰;;DirectCompute加速圖像處理方法的研究[J];現(xiàn)代電子技術(shù);2012年22期

7 王小俊;劉旭敏;關(guān)永;;基于改進(jìn)Canny算子的圖像邊緣檢測(cè)算法[J];計(jì)算機(jī)工程;2012年14期

8 徐新海;楊學(xué)軍;林宇斐;林一松;唐滔;;一種面向CPU-GPU異構(gòu)系統(tǒng)的容錯(cuò)方法[J];軟件學(xué)報(bào);2011年10期

9 張聰;邢同舉;羅穎;張靜;孫強(qiáng);;基于GPU的數(shù)學(xué)形態(tài)學(xué)運(yùn)算并行加速研究[J];電子設(shè)計(jì)工程;2011年19期

10 陳鋼;吳百鋒;;面向OpenCL模型的GPU性能優(yōu)化[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2011年04期

相關(guān)博士學(xué)位論文 前1條

1 李小強(qiáng);CPU-GPU異構(gòu)系統(tǒng)上的高層編程模型及其編譯優(yōu)化技術(shù)[D];中國科學(xué)技術(shù)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前3條

1 李永娜;基于粒子濾波的視頻運(yùn)動(dòng)目標(biāo)跟蹤[D];蘭州理工大學(xué);2014年

2 戴彬;改進(jìn)的粒子濾波算法在視頻跟蹤中的應(yīng)用[D];蘭州理工大學(xué);2014年

3 姚平;CUDA平臺(tái)上的CPU/GPU異步計(jì)算模式[D];中國科學(xué)技術(shù)大學(xué);2010年

本文編號(hào)：2546132