禁忌搜索算法作为众多优化算法中的一种,自1986年被Fred Glover教授提出,就因其独特的“记忆力”在智能算法中独树一帜,之后一直被众多学者研究与改进。禁忌搜索算法一直在与时俱进,其涉及到电子科学与技术等诸多学科,并被广泛应用于解决车辆路径问题、调度问题、网络路由问题、函数优化等问题且均取得了理想的效果。禁忌搜索算法是人工智能的一种体现,是对局部领域搜索的一种扩展,通过对国内外对禁忌搜索的研究现状可以看出,禁忌搜索最大的缺点在于,算法在解空间中的移动是单一的“串行移动”,不像其他智能算法具有内在并行性。本论文对串行禁忌搜索算法进行了深入的研究,介绍了算法的基本思想和关键参数的设置与选择。在此基础上,本论文针对串行禁忌搜索算法进行了改进,提出了并行禁忌搜索算法:首先,提出了并行策略,利用并行策略增加多个并行初始解,解决了串行禁忌搜索算法对初始解有较强依赖性这一不足之处,其主要思想为:主进程主要负责参数的初始化和将原始任务分解为若干个语义等同的子任务并发送数据给从进程;从进程主要负责接受来自主进程发送的数据,完成局部禁忌搜索计算并将结果回传给主进程;其次,添加了校正算子,有效取消了禁忌搜索算法邻域解存在盲区这一问题;然后,通过设计邻域收缩因子可自适应调整邻域空间,加强算法对优良解的搜索。对提出的并行禁忌搜索算法进行连续多峰函数寻优仿真实验,验证了算法的可行性和稳定性。人工神经网络是人工智能领域兴起的研究热点,其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性。本论文针对前馈神经网络中应用最广、最具代表性的BP神经网络存在样本不能完全训练、易陷入局部极小点、泛化能力低和较强依赖初始解的问题,采用并行禁忌搜索算法去优化神经网络中网络各层的连接权值。利用MATLAB及其并行计算工具箱对语音信号特征识别分类问题和函数逼近问题进行仿真实验,通过对实验结果分析表明基于并行禁忌搜索算法优化的神经网络具有全局寻优能力强、收敛效率高、收敛性能好和鲁棒性强等特点。此外,还针对并行进程数目对并行效率的影响进行了验证与讨论,并行效率并不是盲目地随着并行进程数目的增加而增加,所以在处理实际问题时,应当根据问题的规模合理地选择进程数从而达到较高的并行效率。