论文部分内容阅读
粒子群优化算法作为群体性智能算法,在解决优化问题中得到了广泛应用。随着大数据、云计算时代的来临,当优化问题规模巨大时,计算密度的迅速增大致使PSO算法变得十分耗时。当前主要运用分布式集群技术提高算法效率,但是搭建或者购买计算机集群的成本高,普通研究人员无法承担。随后,因为GPU高内存带宽、高度并行性以及比CPU更低成本等优势,使用GPU加速PSO算法并行可有效解决耗时这一问题。但是,现有基于GPU的PSO并行加速只是利用本地单节点GPU功能,不能发挥GPU设备的大数据处理能力；GPU硬件设备尤其是有大数据处理能力的GPU集群设备价格虽然较CPU集群有所降低,但成本依然较高,中小企业和研究机构依然无力承担。亚马逊公司的AWS (Amazon Web Services)为用户提供了高效可靠的基础设施服务且价格低廉,使得这些机构完成大数据规模运算成为可能。基于此,提出一种在AWS上基于CUDA的并行PSO算法,在AWS GPU实例上利用CUDA编程来提升算法性能,完成大数据规模下的加速并行。由于该算法基于AWS平台,本地计算机只要有网络支持均可以实施,避免了本地硬件环境对算法应用的限制,使得更多的研究人员可以使用基于AWS的并行PSO算法来解决实际问题。主要贡献：(1)提出了一种基于AWS的GPU并行粒子群算法,使用AWS云计算平台完成大数据规模下PSO的加速并行。(2)为把云计算平台AWS应用到GPU并行计算领域,控制研究和生产的成本,引导小生产环境和高校实验室使用云计算时代的海量计算资源提供了一种解决方案。(3)将AWS PSO算法应用于军用无人机航迹规划上,为无人机实时航迹规划提供了一种解决方案。