蚁群算法是20世纪90年代由意大利学者M.Dorigo从生物进化的机理中受到启发，模拟自然界中蚁群的觅食行为而提出的用以解决复杂优化问题的一种新型模拟进化算法。它采用有记忆的人工蚂蚁，通过个体之间的信息交流与相互协作来找到从蚁穴到食物源的最短路径。目前人工蚁群算法已成功应用于旅行商问题、二次分配问题及矢量量化码书设计问题等，但人工蚁群算法在复杂问题应用中存在收敛速度慢、易陷入局部极值等缺点。现有文献对并行蚁群算法的研究主要是提出并行的思路，并将其运用于旅行商问题，但多数实验局限于基于单机的仿真，并非真正的多机并行，且并未涉及矢量量化领域。本文在已有用于矢量量化码书设计的串行蚁群算法的基础上，在“深超-21C”超级计算系统上实现了算法的并行，该系统可同时允许256个CPU参加计算，可实现真正的多机并行处理。此外，结合并行算法的特点对相应参数及信息素更新方法进行改进，同时研究了蚁群算法及遗传算法在并行环境下的可能结合方式及对码书性能的影响。本文的主要创新工作在于： (1)针对串行蚁群算法收敛速度慢的问题，提出了基于细粒度模型的并行蚁群算法，将其应用于矢量量化码书设计问题中，并结合并行算法多进程同步运算的特性，对信息素的更新方式以及各参数的设置进行重新优化组合。实验表明，该算法能有效提高运算速度，加速比最高可达16，并能改善码书性能，峰值信噪比提高约0.2dB左右。 (2)在实际应用中，由于硬件设备的限制，常无法对应每只蚂蚁分配一个处理器，为解决这一问题，对并行蚁群算法架构进行改善，提出基于粗粒度模型的并行蚁群算法，使其能够根据需要自适应分配处理器，各个处理器内部进行串行计算，而处理器之间完成并行运算。实验表明，不仅对码书性能无影响，而且能充分利用每个处理器，并得到较高的效率，其效率值最高可达到2左右。 (3)将蚁群算法与遗传算法有机结合，根据蚁群算法的特点，设置适当参数使蚁群算法和遗传操作交替进行，能有效提高算法的收敛性，并获得更好的码书设计效果。