模式分类是许多工程领域如自控监测、图像识别、故障诊断、物料配制、医疗诊断等领域广泛应用的一种关键技术。经典的模式分类方法主要是基于多元统计分析方法,近年来人工神经网络技术也逐渐成为模式分类的有效工具。这两类方法各有所长,多元统计分析方法计算规范,有明确的概率意义,但需要有足够多的样本,并且要遵从一定的分布;人工神经网络技术表达能力强,适用范围广,但网络设计困难,训练费时,还存在局部极值等缺点。用于模式分类问题的神经网络大多数采用多层前向神经网络,并且使用反向传播算法(BP算法)。但BP算法过度依赖于初始权值的选择,收敛速度缓慢且容易陷入局部最优。BP算法的上述缺陷使其训练的神经网络的输出具有不一致性和不可预测性,导致模式分类的可靠性降低。遗传算法的并行搜索策略及全局优化特性使其成为日益普遍的神经网络训练算法。通过实验证明,与BP算法相比,遗传算法(GA算法)训练的神经网络在提高分类正确率的同时可以加快训练的收敛速度。但是遗传算法复杂的遗传操作如选择、复制、交叉、变异使神经网络的训练时间随着问题的规模及复杂程度呈指数级增长,并且由于缺乏有效的局部区域搜索机制,算法在接近最优解时收敛缓慢甚至出现收敛停滞现象。粒子群优化算法(PSO算法)是一种基于群体智能理论的优化算法,通过种群中粒子间的合作与竞争产生的群体智能指导优化搜索。PSO算法保留了基于种群的全局搜索策略,采用的速度-位移模型操作简单,避免了复杂的遗传操作。随着科学计算的不断发展,问题搜索空间的不断扩大,面对越来越复杂的搜索空间,传统的进化计算的方法通常与种群规模、参数的选择、问题的复杂程度等因素有关,当种群规模较大、参数较复杂、搜索空间巨大时,在单个CPU上运行的优化算法通常需要很长的计算时间,甚至有时无法得到满意的结果。进化计算由于其本身的内在的并行性,特别适合大规模的并行计算。将并行计算机的高速并行性与进化计算的天然并行性相结合,能够有效的解决了大规模的优化问题。本文提出了一种并行粒子群优化算法PPSO,该算法采用Master-Slave及SPMD