决策过程在生活中无处不在,影响着人类活动的方方面面,因此寻求影响决策的所有因素及研究影响决策过程的方法至关重要。为此,通常用数值来表示任一决策的结果,以对方案进行量化对比。决策的结果可由表示成本、利益或其他类别的数据来衡量,这些数据的比较决定了其代表解决方案的优劣程度。决策问题的最简单的形式是从二元变量中选择一个可行解,这样的二维决策问题通常形式化为一种定量模型,变量x∈{0,1},x=1表明采用第一种方案,x=0表明选择第二种解决方案。现实生活中的许多问题都可由这样的定量模型来表示,如云环境中的资源调度问题,货物装载问题以及保证数据安全的Merkle-Hellman背包加密算法……这些问题都可抽象为背包问题,因此有效解决背包问题成为二维决策问题的关键。针对背包问题,本文主要研究解决该问题的面向异构系统的群体智能算法以及神经网络算法。论文的主要工作和创新点有以下几个方面:首先,本研究提出针对背包问题的贪婪蛙跳算法。相比传统的混合蛙跳算法,贪婪蛙跳算法进行了两方面的优化。一是种群的全局搜索过程。传统混合蛙跳算法的全局最优解在所有模因组进行模因演化之后更新,而贪婪蛙跳算法的全局最优解是在每个模因组局部搜索之后及时更新;二是针对背包可能会出现的溢出问题而优化的修正操作。优化之后的算法能够进一步扩大解的搜索空间,加快算法的收敛。实验表明,贪婪蛙跳算法与传统群体智能算法相比,在所测数据集上的求解结果性能分别提升5.81%,2.42%,6.35%。其次,本文设计了一种结合神经网络算法和群体智能算法特点的神经网络群体算法。该算法先使用神经网络算法生成背包问题的可行解,接着由该可行解生成种群的初始解,并采用全局搜索的方法对种群的个体不断进行优化,进行一定次数的迭代过程之后,输出背包问题的最优解。与原始的神经网络算法相比,神经网络群体算法的求解结果性能在不同数据集上分别提升6.89%,27.73%,16.14%,13.25%,3.57%,14.18%。此外,本文基于异构系统平台,对神经网络群体算法进行加速。针对神经网络群体算法计算量较大的特点和GPU突出的并行计算性能,实现算法在GPU上的优化及实现。相比仅利用CPU作为计算资源的神经网络群体算法,基于异构平台的算法除了在10个物品的小数据集上求解时间稍高之外,在其他测试数据集上的时间性能分别提高了47.62%,73.81%,210.87%,212.28%,472.58%。实验表明,与传统的群体智能算法相比,贪婪蛙跳算法总取得最优的求解结果。在不同数据集上,神经网络群体算法相比传统的神经网络算法的求解结果均有提升,且基于异构平台加速之后的算法具有更快的求解速度,表明本文对背包问题进行的算法研究和优化是有效且适用的。