GP GPU（General Purpose Graph Processing Unit）并行计算是近几年高性能计算领域的一个研究热点，主要是利用原有的图形处理器的强大并行计算性能，实现高性能低成本的并行通用计算，高效地完成有海量数据的科学实验计算或企业数据分析。最短路径问题是图论中的一个经典抽象问题，已经广泛应用于城市规划与设计、图形学图像分割、数字导航系统等领域，具有很高的理论研究和实际应用价值。而Floyd-Warshall算法是最短路径问题中求解APSP（All-Pair Shortest Paths）问题的经典算法，能够高效地计算出图中所有节点间的最短路径。Floyd算法可为实际的物流企业配送中心选址过程中提供重要的参考依据。然而Floyd算法的时间复杂度为O(n³)，在实际地图中，随着节点数的增加，计算时间呈指数级增长。因此，将此算法并行化则能明显的加快计算速度，具有较高的科研和实际意义。在此情况下，本文采用GP GPU并行加速的方式实现Floyd算法，可以快速地完成大规模地图中最短路径的寻找，为物流配送中心选址过程提供计算地理重心位置的依据。本文主要完成了如下工作：1、设计了基于GPU的Floyd并行策略，在Tesla M2050型号的GPU下完成CUDA程序的开发，并在同一平台上和原有的Floyd串行程序比较，得到了平均百倍以上的加速比；2、研究了Venkataraman的矩阵分块计算思想，提出并验证此算法在GPU上分块并行的可行性，实现了相应的分块并行计算程序，得到了相对于普通GPU并行的程序平均6倍以上的加速比；3、在实际的地图中运用上述研究成果，快速地计算出图中的全部最短路径，为物流系统在配送中心选址问题提供依据，选出路径总权值最小、费用最少的配送中心地址，实现物流的综合效益最大化。