專利名稱：一種基于混沌離散粒子群優(yōu)化的片上網(wǎng)絡(luò)映射方法
技術(shù)領(lǐng)域：
本發(fā)明屬于集成電路芯片優(yōu)化設(shè)計方法，特別是片上網(wǎng)絡(luò)設(shè)計中從任務(wù)圖到片上 網(wǎng)絡(luò)平臺的最優(yōu)映射方案搜索過程。
背景技術(shù)：
隨著集成電路集成規(guī)模和密度的迅速增加，片上處理核間的數(shù)據(jù)通信壓力增大， 片上網(wǎng)絡(luò)(NoC)成為片上通信的有效、靈活和可擴(kuò)展的解決方案。在NoC設(shè)計中，從具體高 層應(yīng)用到NoC平臺如何映射關(guān)系到系統(tǒng)的功耗、延時以及硬件資源需求量等諸多指標(biāo)。通過查新和廣泛收集文獻(xiàn)資料，我們發(fā)現(xiàn)已經(jīng)公開的NoC映射方法有如下幾種參 考文獻(xiàn) Jingcao Hu, Marculescu R. , Energy-and performance-aware mappingfor regular NoC architectures,IEEE Transactions on Computer—Aided Design oflntegrated Circuits and Systems, 2005, pp. 551-562.提出了一種基于分支定界法的 NoC映射方案搜索算法，實現(xiàn)了滿足低功耗和工作性能的設(shè)計需求的映射方案的搜索。但 是該文獻(xiàn)中討論的映射過程僅僅是從處理單元(PE)到NoC平臺的映射，沒有考慮到從任務(wù) 到PE的映射，不能充分發(fā)掘PE的性能；而且由于選擇的分支定界法搜索性能有限，不能得 到最優(yōu)的映射方案。參考文獻(xiàn) Tang Lei, Shashi Kumar, A two-step genetic algorithm for mappingtask graphs to a network on chip architecture, Proceedings of the EuromicroSymposium on Digital Systems Design,IEEE Computer Society,Washington, DC, USA, 2003, pp. 180-187.提出的是一種基于遺傳算法的映射方案搜索算法，實現(xiàn)了通過 找到網(wǎng)絡(luò)延時小的映射方案達(dá)到減小任務(wù)執(zhí)行時間的目的。該法采用的是遺傳算法，能夠 達(dá)到搜索近似最優(yōu)解的效果，但是搜索到的解性能效果不佳；另外此算法只考慮了延時，不 能滿足NoC設(shè)計的實際需求，僅滿足了低延時的方案對于其他指標(biāo)而言不一定也有好的效果。現(xiàn)有的NoC映射方法幾乎都只討論從PE到NoC平臺的映射，而且采用的優(yōu)化算法 性能不是最佳，搜索最優(yōu)解花費(fèi)的時間長或找到的映射方案功耗和延時較大，采用連續(xù)空 間優(yōu)化算法解決離散空間中定義的映射搜索問題不能達(dá)到最優(yōu)的效果。

發(fā)明內(nèi)容
本發(fā)明針對NoC設(shè)計的映射環(huán)節(jié)中對低功耗和低延時的要求，提出了一種基于離 散混沌粒子群優(yōu)化算法的映射方案搜索算法，且將映射過程分割為兩個階段從任務(wù)圖到 PE (處理單元)的映射和從PE到NoC平臺的映射。通過對映射過程的劃分，充分發(fā)掘了 PE 的性能，更為有效地降低功耗和延時，同時縮短了搜索時間。離散粒子群優(yōu)化是傳統(tǒng)粒子群優(yōu)化算法的改進(jìn)版本，它繼承了傳統(tǒng)粒子群優(yōu)化算 法收斂速度快等優(yōu)點(diǎn)，同時克服了傳統(tǒng)粒子群優(yōu)化算法不適宜解決離散空間搜索問題(如 映射、路由、調(diào)度等問題)的缺點(diǎn)。本發(fā)明在離散粒子群優(yōu)化的基礎(chǔ)上加入了混沌擾動機(jī)制，形成了混沌離散粒子群優(yōu)化，克服了粒子群優(yōu)化易陷入局部最優(yōu)解的不足。映射過程的兩個階段具有不同特點(diǎn)，使用離散混沌粒子群優(yōu)化算法要解決兩個階 段的問題，需要針對各階段的特點(diǎn)分別建模。第一階段，利用平均功耗和平均延時數(shù)據(jù)，由 混沌離散粒子群優(yōu)化算法得到從任務(wù)圖到PE的映射結(jié)果。任務(wù)到PE的映射不是一個單 射，一個或一個以上任務(wù)可以被指派到同一個PE上，在建模時可以用粒子中的分量直接表 示任務(wù)和PE的對應(yīng)關(guān)系。第二階段是在第一階段結(jié)果的基礎(chǔ)上，利用精確功耗和精確延時 數(shù)據(jù)，由混沌離散粒子群優(yōu)化算法得到從PE到NoC平臺的映射結(jié)果。PE到網(wǎng)絡(luò)節(jié)點(diǎn)的映射 是單射，一個網(wǎng)絡(luò)節(jié)點(diǎn)只能安排一個PE。由于離散混沌粒子群優(yōu)化在完成粒子位置更新后 各分量具有不確定性，很可能出現(xiàn)解向量中兩個或兩個以上分量相同的情況，因此在建模 時粒子的各個分量表示新的PE-NoC對應(yīng)關(guān)系相對于基準(zhǔn)PE-NoC對應(yīng)關(guān)系的改變。搜索算法第一階段從任務(wù)圖到PE的映射首先定義第一階段混沌離散粒子算法中粒子的含義，粒子由一個只含二進(jìn)制數(shù)的 矩陣表示，矩陣的行向量所組成的二進(jìn)制數(shù)值代表PE的編號，行向量的序號代表任務(wù)圖中 的任務(wù)號。任務(wù)向PE的分派結(jié)果用向量X= (Xl，x2，…，χη)τ表示，其含義是編號為i的 任務(wù)在PExi上完成。由于不同任務(wù)可以同時被分派到相同PE，因而可以出現(xiàn)Xi = Xj的情 況。解向量中元素的個數(shù)η和任務(wù)圖中的任務(wù)數(shù)相同，而Xi是某PE的編號，若將此編號用 二進(jìn)制數(shù)表示，并將此二進(jìn)制數(shù)中包含的數(shù)據(jù)位作為行向量，則可將X表示為只含O、1的矩 陣
權(quán)利要求
1.一種基于混沌離散粒子群優(yōu)化的片上網(wǎng)絡(luò)映射方法，包括優(yōu)化算法的設(shè)計、優(yōu)化算 法對映射問題的建模、兩階段映射過程，其特點(diǎn)在于離散粒子群優(yōu)化是傳統(tǒng)粒子群優(yōu)化算 法的改進(jìn)版本，混沌離散粒子群優(yōu)化是在離散粒子群優(yōu)化的基礎(chǔ)上加入了混沌擾動機(jī)制， 解決粒子群優(yōu)化易陷入局部最優(yōu)解的問題。映射過程的兩個階段具有不同特點(diǎn)，使用離散 混沌粒子群優(yōu)化算法要解決兩個階段的問題需要針對各階段的特點(diǎn)分別建模。
2.根據(jù)權(quán)利要求1所述基于混沌離散粒子群優(yōu)化的片上網(wǎng)絡(luò)映射方法，其特征在于 采用了離散版本的粒子群優(yōu)化算法更適合于解決映射這一離散空間最優(yōu)解搜索的問題。離 散粒子群優(yōu)化算法中加入了混沌擾動機(jī)制，使得算法不易陷入局部最優(yōu)解，混沌擾動的操 作流程為步驟1設(shè)上一次迭代中的混沌向量為μ = (μ1 μ2,…，Ud)；步驟2本次迭代中的混沌向量 Γ的任意分量ITi由Logistic映射給出
3.根據(jù)權(quán)利要求1所述基于混沌離散粒子群優(yōu)化的片上網(wǎng)絡(luò)映射方法，其特征在于 將片上網(wǎng)絡(luò)(NoC)映射過程分割為了從任務(wù)圖到處理單元(PE)的映射和從PE到NoC平臺 的映射兩個階段，通過對映射過程的劃分，充分發(fā)掘了 PE的性能，更為有效地降低功耗和 延時，同時縮短了搜索時間。優(yōu)化算法搜索步驟為步驟Il初始化混沌離散粒子群優(yōu)化算法的參數(shù)，粒子總數(shù)設(shè)置為ηρ，最大允許迭代次 數(shù)設(shè)置為nmax，隨機(jī)生產(chǎn)np個粒子< ~ 作為初始解。步驟12分別計算出步驟Il中各個粒子的適應(yīng)度A1 。設(shè)置各粒子的初始個體最優(yōu) 解~ 為當(dāng)前初始解，采用功耗和延時模型計算出每個粒子對應(yīng)映射方案帶來的 功耗和延時，比較所有粒子的適應(yīng)度(由延時和功耗共同確定)，找到適應(yīng)度最大的粒子作 為初始全局最優(yōu)解gBest1。步驟13若當(dāng)前總迭代次數(shù)小于最大允許迭代次數(shù)nmax，則執(zhí)行步驟14，否則轉(zhuǎn)到步驟 19執(zhí)行。步驟14若當(dāng)前操作的粒子在粒子群中的標(biāo)號小于粒子總數(shù)np，則執(zhí)行步驟15，否則轉(zhuǎn) 到步驟18執(zhí)行。步驟15按照離散粒子群優(yōu)化算法中粒子更新的操作流程對當(dāng)前粒子進(jìn)行更新操作， 得到粒子的新位置X。步驟16對步驟15中得到的當(dāng)前粒子新位置X進(jìn)行混沌擾動操作，得到擾動后的新位 置又。計算擾動后的粒子X的適應(yīng)度和擾動前的粒子X的適應(yīng)度，比較兩者的適應(yīng)度，若擾 動后的粒子適應(yīng)度大于擾動前粒子的適應(yīng)度，則用擾動后的粒子X代替擾動前的粒子X，成 為當(dāng)前粒子，否則保持當(dāng)前粒子不變。步驟17比較當(dāng)前粒子X的適應(yīng)度和當(dāng)前粒子的歷史最佳位置pBest的適應(yīng)度，若當(dāng)前 粒子的適應(yīng)度大于當(dāng)前粒子歷史最佳位置的適應(yīng)度，則用粒子的當(dāng)前位置代替舊的歷史最佳位置PBest得到新的歷史最佳位置，否則不改變當(dāng)前粒子的歷史最佳位置。用粒子群中 的下一個粒子作為當(dāng)前粒子，轉(zhuǎn)到步驟14繼續(xù)執(zhí)行算法。步驟18比較粒子群中所有粒子歷史最優(yōu)位置的適應(yīng)度，并找出具有最大適應(yīng)度的位 置，若該位置的適應(yīng)度大于當(dāng)前所有粒子歷史最佳位置gBest，則用該位置代替gBest成為 新的全局最優(yōu)位置。轉(zhuǎn)到步驟13繼續(xù)執(zhí)行算法。 步驟19得到全局最優(yōu)解gBest，算法結(jié)束。第一階段、第二階段搜索步驟相同，具體實施的不同點(diǎn)在于第二階段以第一階段得到 的已經(jīng)關(guān)聯(lián)了任務(wù)的PE作為算法輸入兩個階段中的粒子的定義不同；兩個階段采用的功 耗/延時模型不同。
4.根據(jù)權(quán)利要求1所述基于混沌離散粒子群優(yōu)化的片上網(wǎng)絡(luò)映射方法，其特征在于 在兩個階段中分別建立了適宜求解的數(shù)學(xué)模型。第一階段，利用平均功耗/延時數(shù)據(jù)通過 混沌離散粒子群優(yōu)化算法得到從任務(wù)圖到PE的映射結(jié)果。任務(wù)到PE的映射不是一個單 射，一個或一個以上任務(wù)可以被指派到同一個PE上，在建模時可以用粒子中的分量直接表 示任務(wù)和PE的對應(yīng)關(guān)系。第二階段是在第一階段結(jié)果的基礎(chǔ)上，利用精確功耗/延時數(shù)據(jù) 通過混沌離散粒子群優(yōu)化算法得到從PE到NoC平臺的映射結(jié)果。PE到網(wǎng)絡(luò)節(jié)點(diǎn)的映射是 單射，一個網(wǎng)絡(luò)節(jié)點(diǎn)只能安排一個PE。由于離散混沌粒子群優(yōu)化在完成粒子位置更新后各 分量具有不確定性，很可能出現(xiàn)解向量中兩個或兩個以上分量相同的情況，因此在建模時 粒子的各個分量定義為新的PE-NoC對應(yīng)關(guān)系相對于基準(zhǔn)PE-NoC對應(yīng)關(guān)系的改變。
全文摘要
本發(fā)明提出了一種基于混沌離散粒子群優(yōu)化的片上網(wǎng)絡(luò)(NoC)映射方案搜索算法，用以解決NoC設(shè)計中從任務(wù)圖到NoC平臺映射這一NP問題，使得映射方案同時滿足低功耗和低延時的設(shè)計需求。在本發(fā)明中，映射過程被分割為兩個階段，第一階段是利用平均功耗/延時數(shù)據(jù)通過混沌離散粒子群優(yōu)化算法得到從任務(wù)圖到處理單元(PE)的映射結(jié)果，第二階段是在第一階段結(jié)果的基礎(chǔ)上，利用精確功耗/延時數(shù)據(jù)通過混沌離散粒子群優(yōu)化算法得到從PE到NoC平臺的映射結(jié)果。
文檔編號G06F17/50GK102129482SQ20101002808
公開日2011年7月20日 申請日期2010年1月13日 優(yōu)先權(quán)日2010年1月13日
發(fā)明者凌翔, 王雷, 胡劍浩, 陳亦歐 申請人:電子科技大學(xué)