人工智能技术和并行计算技术在21世纪得到了巨大的发展。其中,群体智能算法作为人工智能算法的一个重要分支,成为一个新兴的研究热点,得到了越来越多的科学家和工程师的广泛关注。成熟的群智能算法包括遗传算法,粒子群算法,人工鱼群算法和人工蜂群算法等。这些算法均有效地利用了生物的群体性特征。并行计算一般是指许多指令可以同时进行的计算模式,一般是相对于串行计算来说的。传统意义上的并行计算主要是为了快速解决大型且复杂的计算问题。一般的并行计算平台都是在Linux操作系统,结合MPI,CUDA,HADOOP等技术实现的。智能计算技术在现实生活中有很多广泛的应用。例如,可以使用人工蜂群算法提高图像的边缘检测效率,应用粒子群算法实现无线传感器网络最短路径的规划,应用遗传算法完成蛋白质结构的识别等等。同时,随着软硬件的发展,并行计算技术也渗透到了日常生活的方方面面。众所周知,在预测气象方面,我们往往需要极大的计算资源。许多发达国家的气象局已陆续在大规模并行计算机上运行业务系统,力图不断提高气象预报的精确性和时效性。同时,石油勘探也需要处理海量的数据,这对计算性能要求极高,算法也十分复杂。因此,并行计算技术已经是现今提高石油勘探效率的关键。随着科技的飞速发展,高性能计算在生物医学领域也发挥了越来越重要的作用。尤其是在蛋白质,DNA的生物测序工作方面,急需强大的计算能力。在本文中,我们围绕人工蜂群算法的理论,改进策略和实际应用展开了深入细致的研究工作。同时,以人工蜂群算法为例,对群智能算法的并行化策略,以及并行计算的相关技术进行了详细的分析与研究。众所周知,人工蜂群算法是一种模仿蜜蜂采蜜行为的智能算法。在自然界中,蜜蜂总是可以非常高效的找到可靠的蜜源。基于这种生物群体性原理,科学家设计了人工蜂群算法,完成了算法对最优解的寻找。在本文中,我们基于Linux平台和MPI开源软件开发包实现并行人工蜂群算法,有效提高了人工蜂群算法解决大型复杂问题的计算能力。本文的主要贡献和创新点如下：介绍了人工蜂群算法的基本理论,并针对其缺点和不足提出了改进策略。例如,在应用人工蜂群算法求解工件调度问题的过程中,为提高算法的搜索效率,提出了自适应变化步长的改进策略。并将改进算法与原始算法在性能上进行了比较。在实际应用方面,人工蜂群算法可以用来求解鲁棒PID控制器的最优参数整定问题,并实现对于鲁棒PID控制器的多目标优化。其中的优化目标包含积分平方误差,最大过冲和建立时间这三个衡量PID控制器性能的参数。在设计鲁棒控制器的过程中,我们应用了与博弈论知识相关的最小最大方法,完成了可以适应一定程度上参数波动的PID控制器。根据人工蜂群算法天然的并行性,提出了一种并行人工蜂群算法,并将该算法用于求解经典的NP问题--旅行商问题。由于计算一个大规模的旅行商问题需要极大的计算资源且消耗大量的时间,因此我们引入并行策略提高算法的性能和效率。整个并行计算平台是在Linux下架构的,使用MPI完成各个计算节点间的数据传输和任务调度。在本文中,我们还深入地讨论了如何通过改进算法的并行策略来提高其性能和效率。同时,我们还详细介绍了并行计算平台的架构和MPI的基础知识。