蚁群优化算法(ACO)是一种受蚂蚁群体觅食行为启发提出的基于群体智能的优化算法。蚁群算法最初被提出用于解决离散域中的优化问题,但在实际工程上,存在着大量的连续优化问题,这类问题难以使用基本蚁群算法求解；另一方面,在实际应用中,当问题具有高精度要求和高优化维度时,蚁群算法往往具有很高的时间耗费。如今,图形处理器(GPU)已经具有比CPU更强大的浮点运算能力,处理器被设计成并行架构,为执行并行程序提供了有力的硬件平台。本文主要对蚁群算法在连续域中的扩展方法进行了研究,同时为提高执行效率,对连续蚁群算法进行了基于GPU的并行化设计。所做研究工作包括：(1)介绍了一种用于解决连续优化问题的连续蚁群算法。该算法遵循了蚁群算法的基本框架。详细讨论了算法的原理和机制,在基准函数上测试了算法的性能,并且与几种经典算法进行了比较,仿真结果证明了连续蚁群优化算法具有更强的优化能力；(2)提出了一种连续蚁群算法在GPU上的并行实现。为充分利用统一计算设备架构(CUDA)提供的大规模并行计算能力,算法被划分成了GPU上的三个内核函数,文中给出了内核函数的实现细节和核心代码,另外做了GPU并行版本与CPU串行版本之间的性能分析,并行连续蚁群算法达到了令人满意的加速比；(3)研究了无线射频识别设备(RFID)信号强度分布的建模问题。前馈神经网络用于建立信号分布模型,并行连续蚁群算法用于优化神经网络参数。使用RFID装置搭建了实验系统,并从中采集了场强数据来训练网络。根据实验结果,该模型能够基本反映实际中的信号分布情况,同时,并行连续蚁群算法极大减少了算法的执行时问。本文的主要创新点为：(1)引入了一种新型的连续域中的蚁群算法,使蚁群算法适用于解决连续优化问题,同时对该算法进行了基于GPU的并行实现,大幅提高了执行效率。(2)将连续蚁群算法用于神经网络参数优化,建立了RFID信号强度分布模型,具有一定应用价值。