片上网络映射优化算法研究

片上网络映射优化算法研究

论文摘要

片上网络(Network on Chip, NoC)是应对超大规模集成电路设计中由尺寸和通信需求等因素带来的诸多问题的一种全新方案。本论文从NoC基础理论入手,重点对面向低功耗和低延时的多异构核协作系统NoC映射问题进行了研究,建立了分阶段映射的数学模型,并设计了用于搜索最优映射方案的高效算法。本文将NoC设计中的映射划分为两个阶段,分别是应用任务图中的任务节点到IP核的映射以及从IP核到NoC平台中位置的映射。根据2D Mesh拓扑NoC平台的特性,并结合映射两阶段的不同特点,本文提出了NoC系统能耗和延时计算的粗略模型和精确模型。在第一阶段的映射方案搜索中,本文采用粗略计算模型对能耗和延时性能进行分析;而在对映射第二阶段方案的搜寻时,本文会使用精确计算模型对映射结果进行评估。NoC设计中的映射属于NP问题,而面向能耗和延时的映射求解又属于多目标规划问题。为了快速搜索问题的最优解,本文提出了混沌离散粒子群优化算法。它属于群智能优化算法的范畴,具有计算简单、收敛速度快、不易陷入局部最优,以及适宜解决离散空间优化问题等优点。结合由本文所提出的能耗和延时的计算模型所建立起的评价函数,混沌离散粒子群算法被用到映射两个阶段方案的搜索中,在降低搜索运算量的前提下,最终映射结果的能耗和延时都得到很大程度的降低。为了将混沌离散粒子群优化这一抽象的算法同具体的NoC最优映射方案搜索相结合,本文在映射的两个搜索阶段中设计了如NoC-IP对应表等不同的数据结构以及表交换等执行规则,分别建立了适合该阶段的算法操作机制。实验仿真证明,本文所提出的基于混沌离散粒子群优化的NoC最优映射搜索算法在解决面向功耗和延时的NoC映射方案搜索问题中是高速有效的。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 研究背景
  • 1.2 NoC 设计中的主要问题
  • 1.3 国内外研究现状
  • 1.4 本文的结构安排
  • 第二章 NoC 平台结构及特性研究
  • 2.1 NoC 网络拓扑结构及特点
  • 2.2 基于格元的二维网格拓扑NoC 平台
  • 2.2.1 平台的基本结构组成
  • 2.2.2 片上路由器结构
  • 2.2.3 网络接口结构
  • 2.2.4 NoC 交换技术
  • 2.2.5 NoC 路由策略
  • 2.2.6 Mesh 网络中的距离计算
  • 2.3 NoC 系统能耗分析
  • 2.3.1 CMOS 电路的能耗计算
  • 2.3.2 NoC 中能耗分析
  • 2.4 NoC 系统中的延时分析
  • 2.5 小结
  • 第三章 面向能耗和延时的 NoC 映射问题
  • 3.1 映射两个阶段的描述
  • 3.2 映射评价系统的建立
  • 3.2.1 NoC 能耗模型
  • 3.3.2 NoC 延时模型
  • 3.3 问题形式化描述
  • 3.4 面向功耗和延时优化的两步映射的实施方案
  • 3.5 小结
  • 第四章 映射优化算法研究
  • 4.1 粒子群优化
  • 4.2 混沌离散粒子群优化
  • 4.3 问题建模及算法与数据结构设计
  • 4.3.1 从任务到 IP 核的选择算法
  • 4.3.2 从 IP 核到 NoC 网络平台的映射算法
  • 4.4 评价函数的设计与计算
  • 4.4.1 相关评价函数
  • 4.4.2 评价函数的计算
  • 4.5 小结
  • 第五章 仿真与性能分析
  • 5.1 特殊任务图仿真
  • 5.2 实例仿真
  • 5.3 小结
  • 第六章 结论与展望
  • 6.1 总结
  • 6.2 展望
  • 致谢
  • 参考文献
  • 攻读硕士期间取得的成果
  • 相关论文文献

    • [1].粒子群优化算法在港口船舶物流中的应用[J]. 舰船科学技术 2020(04)
    • [2].求解电力系统经济调度问题的改进粒子群优化算法[J]. 控制与决策 2020(08)
    • [3].基于改进粒子群优化算法的溶解氧调控系统设计[J]. 传感器与微系统 2020(06)
    • [4].基于改进粒子群优化算法的微电网经济调度研究[J]. 上海电气技术 2020(02)
    • [5].粒子群优化算法[J]. 软件 2020(05)
    • [6].基于扩容和双距离决策的多目标粒子群优化算法[J]. 重庆邮电大学学报(自然科学版) 2020(03)
    • [7].改进粒子群优化算法及其在聚类分析中应用[J]. 系统仿真学报 2020(08)
    • [8].优质个体最优动态空间变异的粒子群优化算法[J]. 计算机应用研究 2020(08)
    • [9].基于自适应粒子群优化算法的无人机三维航迹规划[J]. 海军航空工程学院学报 2020(03)
    • [10].基于并行结构的多种群粒子群优化算法[J]. 传感器与微系统 2020(09)
    • [11].融入社会影响力的粒子群优化算法[J]. 计算机科学与探索 2020(11)
    • [12].基于改进粒子群优化-反向传播神经网络的制造业产能预测[J]. 机械制造 2019(03)
    • [13].层次学习骨干粒子群优化算法[J]. 控制与决策 2016(12)
    • [14].一种面向网络边缘任务调度问题的多方向粒子群优化算法[J]. 计算机应用与软件 2017(04)
    • [15].基于粒子群优化的组播路由算法研究[J]. 信息与电脑(理论版) 2017(10)
    • [16].改进的粒子群优化算法的研究[J]. 科技创新与生产力 2017(09)
    • [17].一种改进的粒子群优化算法[J]. 陕西师范大学学报(自然科学版) 2016(02)
    • [18].改进惯性权重的简化粒子群优化算法[J]. 湖北民族学院学报(自然科学版) 2016(01)
    • [19].粒子群优化算法基本研究[J]. 科技经济导刊 2016(21)
    • [20].中心粒子群优化算法[J]. 电子测试 2014(23)
    • [21].基于粒子群优化算法的器件模型表面势求解[J]. 计算机时代 2015(03)
    • [22].具有反向学习和自适应逃逸功能的粒子群优化算法[J]. 计算机应用 2015(05)
    • [23].基于不同学习模型的精英反向粒子群优化算法[J]. 小型微型计算机系统 2015(06)
    • [24].改进惯性权重的粒子群优化算法[J]. 河西学院学报 2020(05)
    • [25].基于粒子群优化算法的算法实现及建筑生形——模拟鸟类觅食形态的建筑雏形设计[J]. 华中建筑 2020(02)
    • [26].基于动态种群的双重学习粒子群优化算法[J]. 南昌工程学院学报 2020(01)
    • [27].基于博弈机制的多目标粒子群优化算法[J]. 计算机工程与设计 2020(04)
    • [28].求解特征值互补问题的基本粒子群优化算法[J]. 内蒙古民族大学学报(自然科学版) 2020(03)
    • [29].进化状态判定与学习策略协同更新的二进制粒子群优化算法[J]. 浙江工业大学学报 2020(05)
    • [30].粒子群优化算法中惯性权重改进策略综述[J]. 渤海大学学报(自然科学版) 2019(03)

    标签:;  ;  ;  ;  ;  

    片上网络映射优化算法研究
    下载Doc文档

    猜你喜欢