群智能算法高性能计算平台的研究

论文摘要

智能计算技术是近年来在人工智能界兴起的新的研究方向和热点,也是智能信息处理中的一项重要内容。作为一种基于生物进化原理的优化算法,群智能计算与其他优化算法相比,最突出的优点表现在其强大的全局寻优能力上。具有量子行为粒子群算法（Quantum-behaved Particle Swarm Optimization,QPSO）是一种新的、参数个数少、具有全局收敛性的群体智能算法,并且在某些实际应用中证明,QPSO优于一般的粒子群算法（Particle Swarm Optimization,PSO）。因此,本文的研究内容对于群体智能的发展具有一定的学术意义和应用价值。本文首先阐述了硬件系统的设计方法并简要叙述了群体智能算法中的蚁群算法（Ant Colony Optimization, ACO）、粒子群算法（PSO）和具有量子行为粒子群算法（QPSO）,比较了这些算法的优缺点,并分析了它们硬件实现的难点。在此基础上提出了采用EDA技术对QPSO算法的实现方式进行改进的方案,从而采用模块化的方法设计了一个高性能硬件计算平台。虽然参数个数少,但QPSO算法实现起来也很复杂,为使系统可以完成复杂的操作,硬件计算平台采用了微程序设计的方法代替了传统的状态机来编写控制模块。模块与模块之间应用并行技术来加快高性能计算平台的运行速度。采用全局时钟网络,代替原来的计数器时钟,增强了时钟的驱动能力,有效地消除了时序紊乱,还可以针对算法的特点提供特殊的硬件支持。由于FPGA器件以其功能强大、开发过程投资少、周期短、可反复修改、保密性能好,开发工具智能化等特点,可随时根据需要编程改变器件内部结构实现系统重构,从而方便地进行系统维护和升级,因此己成为当今数字电路系统设计的首选方式之一。最后,本文完成了该硬件计算平台的模块设计,进而使用硬件描述语言VHDL对计算平台各部件进行建模,并在Xilinx公司的Spartan 3实验平台上通过了功能模块的仿真,表明该高性能计算平台能够在低成本的FPGA芯片中实现,不但降低了成本,而且硬件执行QPSO算法具有执行效率高、内存占用少、功耗低、速度快等特点,极大地提高了QPSO算法的实用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 群智能算法研究现状
• 1.2 EDA 技术研究现状
• 1.3 群智能算法硬件实现的意义
• 1.4 本文的主要工作
• 1.5 本文结构安排
• 第二章 系统结构设计
• 2.1 传统系统设计方法
• 2.2 基于EDA 技术的硬件设计方法
• 2.2.1 VHDL 硬件描述语言
• 2.2.2 Xinlinx 公司Sparta113 家族器件介绍
• 2.3 提高群智能算法运行速度的设计方案
• 2.4 本章小结
• 第三章 群智能算法
• 3.1 蚁群算法
• 3.1.1 蚁群行为描述
• 3.1.2 蚁群算法的基本原理
• 3.1.3 蚁群算法硬件实现的难点分析
• 3.2 粒子群算法
• 3.2.1 经典的粒子群算法（PSO）简介
• 3.2.2 经典的粒子群算法的运算过程
• 3.2.3 粒子群算法硬件实现的难点分析
• 3.3 具有量子行为的粒子群算法
• 3.3.1 QPSO 算法运算过程
• 3.3.2 具有量子行为的粒子群算法和经典粒子群算法的比较
• 3.3.3 具有量子行为的粒子群算法硬件实现的难点分析
• 3.3.4 具有量子行为的粒子群算法硬件实现的特点
• 3.4 本章小结
• 第四章 高性能计算平台的设计与仿真
• 4.1 平台整体结构
• 4.2 数据通路
• 4.2.1 数据通路的设计
• 4.2.2 控制流程
• 4.3 平台硬件电路设计
• 4.3.1 控制模块设计
• 4.3.2 存储器设计
• 4.3.3 适应值模块设计
• 4.3.4 比较模块设计
• 4.3.5 新位置计算模块设计
• 4.3.6 全局时钟的实现
• 4.4 实验结果及分析
• 4.5 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 存在的问题和未来研究方向
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文