专利名称：一种基于混沌离散粒子群优化的片上网络映射方法
技术领域：
本发明属于集成电路芯片优化设计方法，特别是片上网络设计中从任务图到片上 网络平台的最优映射方案搜索过程。
背景技术：
随着集成电路集成规模和密度的迅速增加，片上处理核间的数据通信压力增大， 片上网络(NoC)成为片上通信的有效、灵活和可扩展的解决方案。在NoC设计中，从具体高 层应用到NoC平台如何映射关系到系统的功耗、延时以及硬件资源需求量等诸多指标。通过查新和广泛收集文献资料，我们发现已经公开的NoC映射方法有如下几种参 考文献 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.提出了一种基于分支定界法的 NoC映射方案搜索算法，实现了满足低功耗和工作性能的设计需求的映射方案的搜索。但 是该文献中讨论的映射过程仅仅是从处理单元(PE)到NoC平台的映射，没有考虑到从任务 到PE的映射，不能充分发掘PE的性能；而且由于选择的分支定界法搜索性能有限，不能得 到最优的映射方案。参考文献 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.提出的是一种基于遗传算法的映射方案搜索算法，实现了通过 找到网络延时小的映射方案达到减小任务执行时间的目的。该法采用的是遗传算法，能够 达到搜索近似最优解的效果，但是搜索到的解性能效果不佳；另外此算法只考虑了延时，不 能满足NoC设计的实际需求，仅满足了低延时的方案对于其他指标而言不一定也有好的效果。现有的NoC映射方法几乎都只讨论从PE到NoC平台的映射，而且采用的优化算法 性能不是最佳，搜索最优解花费的时间长或找到的映射方案功耗和延时较大，采用连续空 间优化算法解决离散空间中定义的映射搜索问题不能达到最优的效果。
发明内容
本发明针对NoC设计的映射环节中对低功耗和低延时的要求，提出了一种基于离 散混沌粒子群优化算法的映射方案搜索算法，且将映射过程分割为两个阶段从任务图到 PE (处理单元)的映射和从PE到NoC平台的映射。通过对映射过程的划分，充分发掘了 PE 的性能，更为有效地降低功耗和延时，同时缩短了搜索时间。离散粒子群优化是传统粒子群优化算法的改进版本，它继承了传统粒子群优化算 法收敛速度快等优点，同时克服了传统粒子群优化算法不适宜解决离散空间搜索问题(如 映射、路由、调度等问题)的缺点。本发明在离散粒子群优化的基础上加入了混沌扰动机制，形成了混沌离散粒子群优化，克服了粒子群优化易陷入局部最优解的不足。映射过程的两个阶段具有不同特点，使用离散混沌粒子群优化算法要解决两个阶 段的问题，需要针对各阶段的特点分别建模。第一阶段，利用平均功耗和平均延时数据，由 混沌离散粒子群优化算法得到从任务图到PE的映射结果。任务到PE的映射不是一个单 射，一个或一个以上任务可以被指派到同一个PE上，在建模时可以用粒子中的分量直接表 示任务和PE的对应关系。第二阶段是在第一阶段结果的基础上，利用精确功耗和精确延时 数据，由混沌离散粒子群优化算法得到从PE到NoC平台的映射结果。PE到网络节点的映射 是单射，一个网络节点只能安排一个PE。由于离散混沌粒子群优化在完成粒子位置更新后 各分量具有不确定性，很可能出现解向量中两个或两个以上分量相同的情况，因此在建模 时粒子的各个分量表示新的PE-NoC对应关系相对于基准PE-NoC对应关系的改变。搜索算法第一阶段从任务图到PE的映射首先定义第一阶段混沌离散粒子算法中粒子的含义，粒子由一个只含二进制数的 矩阵表示，矩阵的行向量所组成的二进制数值代表PE的编号，行向量的序号代表任务图中 的任务号。任务向PE的分派结果用向量X= (Xl，x2，…，χη)τ表示，其含义是编号为i的 任务在PExi上完成。由于不同任务可以同时被分派到相同PE，因而可以出现Xi = Xj的情 况。解向量中元素的个数η和任务图中的任务数相同，而Xi是某PE的编号，若将此编号用 二进制数表示，并将此二进制数中包含的数据位作为行向量，则可将X表示为只含O、1的矩 阵
权利要求
1.一种基于混沌离散粒子群优化的片上网络映射方法，包括优化算法的设计、优化算 法对映射问题的建模、两阶段映射过程，其特点在于离散粒子群优化是传统粒子群优化算 法的改进版本，混沌离散粒子群优化是在离散粒子群优化的基础上加入了混沌扰动机制， 解决粒子群优化易陷入局部最优解的问题。映射过程的两个阶段具有不同特点，使用离散 混沌粒子群优化算法要解决两个阶段的问题需要针对各阶段的特点分别建模。
2.根据权利要求1所述基于混沌离散粒子群优化的片上网络映射方法，其特征在于 采用了离散版本的粒子群优化算法更适合于解决映射这一离散空间最优解搜索的问题。离 散粒子群优化算法中加入了混沌扰动机制，使得算法不易陷入局部最优解，混沌扰动的操 作流程为步骤1设上一次迭代中的混沌向量为μ = (μ1 μ2,…，Ud)；步骤2本次迭代中的混沌向量 Γ的任意分量ITi由Logistic映射给出
3.根据权利要求1所述基于混沌离散粒子群优化的片上网络映射方法，其特征在于 将片上网络(NoC)映射过程分割为了从任务图到处理单元(PE)的映射和从PE到NoC平台 的映射两个阶段，通过对映射过程的划分，充分发掘了 PE的性能，更为有效地降低功耗和 延时，同时缩短了搜索时间。优化算法搜索步骤为步骤Il初始化混沌离散粒子群优化算法的参数，粒子总数设置为ηρ，最大允许迭代次 数设置为nmax，随机生产np个粒子< ~ 作为初始解。步骤12分别计算出步骤Il中各个粒子的适应度A1 。设置各粒子的初始个体最优 解~ 为当前初始解，采用功耗和延时模型计算出每个粒子对应映射方案带来的 功耗和延时，比较所有粒子的适应度(由延时和功耗共同确定)，找到适应度最大的粒子作 为初始全局最优解gBest1。步骤13若当前总迭代次数小于最大允许迭代次数nmax，则执行步骤14，否则转到步骤 19执行。步骤14若当前操作的粒子在粒子群中的标号小于粒子总数np，则执行步骤15，否则转 到步骤18执行。步骤15按照离散粒子群优化算法中粒子更新的操作流程对当前粒子进行更新操作， 得到粒子的新位置X。步骤16对步骤15中得到的当前粒子新位置X进行混沌扰动操作，得到扰动后的新位 置又。计算扰动后的粒子X的适应度和扰动前的粒子X的适应度，比较两者的适应度，若扰 动后的粒子适应度大于扰动前粒子的适应度，则用扰动后的粒子X代替扰动前的粒子X，成 为当前粒子，否则保持当前粒子不变。步骤17比较当前粒子X的适应度和当前粒子的历史最佳位置pBest的适应度，若当前 粒子的适应度大于当前粒子历史最佳位置的适应度，则用粒子的当前位置代替旧的历史最佳位置PBest得到新的历史最佳位置，否则不改变当前粒子的历史最佳位置。用粒子群中 的下一个粒子作为当前粒子，转到步骤14继续执行算法。步骤18比较粒子群中所有粒子历史最优位置的适应度，并找出具有最大适应度的位 置，若该位置的适应度大于当前所有粒子历史最佳位置gBest，则用该位置代替gBest成为 新的全局最优位置。转到步骤13继续执行算法。 步骤19得到全局最优解gBest，算法结束。第一阶段、第二阶段搜索步骤相同，具体实施的不同点在于第二阶段以第一阶段得到 的已经关联了任务的PE作为算法输入两个阶段中的粒子的定义不同；两个阶段采用的功 耗/延时模型不同。
4.根据权利要求1所述基于混沌离散粒子群优化的片上网络映射方法，其特征在于 在两个阶段中分别建立了适宜求解的数学模型。第一阶段，利用平均功耗/延时数据通过 混沌离散粒子群优化算法得到从任务图到PE的映射结果。任务到PE的映射不是一个单 射，一个或一个以上任务可以被指派到同一个PE上，在建模时可以用粒子中的分量直接表 示任务和PE的对应关系。第二阶段是在第一阶段结果的基础上，利用精确功耗/延时数据 通过混沌离散粒子群优化算法得到从PE到NoC平台的映射结果。PE到网络节点的映射是 单射，一个网络节点只能安排一个PE。由于离散混沌粒子群优化在完成粒子位置更新后各 分量具有不确定性，很可能出现解向量中两个或两个以上分量相同的情况，因此在建模时 粒子的各个分量定义为新的PE-NoC对应关系相对于基准PE-NoC对应关系的改变。
全文摘要
本发明提出了一种基于混沌离散粒子群优化的片上网络(NoC)映射方案搜索算法，用以解决NoC设计中从任务图到NoC平台映射这一NP问题，使得映射方案同时满足低功耗和低延时的设计需求。在本发明中，映射过程被分割为两个阶段，第一阶段是利用平均功耗/延时数据通过混沌离散粒子群优化算法得到从任务图到处理单元(PE)的映射结果，第二阶段是在第一阶段结果的基础上，利用精确功耗/延时数据通过混沌离散粒子群优化算法得到从PE到NoC平台的映射结果。
文档编号G06F17/50GK102129482SQ20101002808
公开日2011年7月20日 申请日期2010年1月13日 优先权日2010年1月13日
发明者凌翔, 王雷, 胡剑浩, 陈亦欧 申请人:电子科技大学