大部分智能优化算法在求解各种优化问题时,随着问题规模即维数的增加,性能迅速恶化,而现实世界中许多大规模全局优化问题随着科技的发展其问题的规模不断增加。因此,如何提高智能算法在求解复杂函数优化问题上的性能是当前计算智能领域的研究热点。串行的智能优化算法,面对大规模复杂优化问题具有挑战性,设计一种快速稳定高精度的算法势在必行。图形处理器(GPU)在数值计算能力和存储器带宽上相对CPU有明显的优势,而它在成本和功耗上也不需要付出太大代价,从而为这些复杂函数问题的快速求解提供了一种新的解决方案。当前,计算机行业正在从只使用CPU向CPU与GPU异构并行的“协同处理”方向发展。CPU和GPU分工合作,由GPU处理数值并行计算的任务,由CPU进行复杂逻辑和事务处理等串行计算,从而可以最大限度地利用计算机的处理能力,既提高了程序性能,又节省了成本和资源,是一种革命性的进步。由于复杂函数具有各种复杂的特征,即使将这些基本算法进行改进之后能够找到最优解,计算时间也是非常长。因此,本文首先将这些基本的智能算法进行改进,设计了四种改进的串行算法,然后将这些改进的串行算法在GPU设备上使用CUDA编程实现,既加快了算法的计算速度,也提高了算法的计算精度。本文所作的工作主要有以下几点:(1)本文提出了一种基于自适应变异策略的混沌布谷鸟搜索算法,利用混沌机制初始化种群和处理超过界限值的新生个体;利用自适应变异策略根据选择概率选择部分解变量进行动态调整;提出维更新策略和自适应发现概率。通过对20个著名的复杂函数进行测试,实验结果表明:当GPU为NVIDIA Ge Force 310时,PAMSCCS和串行算法相比,平均加速比达到3倍左右,最高加速比达到8倍以上;当GPU为NVIDIA Ge Force GTX 970时,PAMSCCS的平均加速比为26,最高加速比为81,使算法性能得到大幅度提升。(2)针对智能算法在求解复杂高维函数问题时易出现收敛速度慢或局部最优的问题,本文引入一种改进的入侵杂草优化算法(IIWO),将基本IWO算法进行改进和相应地调整:将每株杂草新生种子个数设置为固定参数,将初始步长和最终步长改成自适应步长,对超过界限值的解重新初始化,同时将该算法用于GPU平台,提出了基于GPU并行的改进的杂草优化算法(PIIWO)。通过对CEC’2010多个高维函数的求解,结果表明,与同类算法相比,本文所设计的IIWO性能更佳,具有更高的收敛速度和计算精度;而并行算法PIIWO比串行算法IIWO不仅寻优迭代次数更少,而且有更好的寻优精度和显著的加速比,在低端GPU上能获得平均3倍左右的加速比,在高端GPU上能获得平均22倍、最高38倍以上的加速比。(3)针对遗传算法易陷入局部最优和后期寻优精度不高等缺陷,本文对遗传算法进行改进和完善,引入两阶段选择操作、随机多演化交叉算子、自适应高斯变异算子、量子行为算子,提出一种基于GPU的并行量子行为遗传算法(PQBGA)。通过对25个高维复杂函数的优化,结果显示,QBGA的性能不仅远远优于基本遗传算法,在收敛精度和稳定性方面也优胜于其它8个著名的智能优化算法,表明该算法的可行性和有效性;将QBGA在GPU平台上实现,并在两种GPU上与CPU算法进行比较,最高加速比分别达到了18倍和626倍,大大提高了算法的运行速度和执行效率,获得了非常满意的加速效果。(4)本文使用样条差分方法离散一维热传导方程,从而转化为线性方程组的形式,然后将线性方程组转化为一个无约束的优化问题,最后通过使用并行混合粒子群(PHPSO)算法进行求解。PHPSO算法将PSO算法和共轭梯度算法(CGM)进行混合之后使用CUDA编程实现。文中使用一个数值实例进行仿真,实验结果表明:在求解一维热传导方程问题上,PHPSO算法的计算效率是可观的,PHPSO算法的平均加速比分别达到12.12和13.06,说明了该算法的有用性和有效性。