[发明专利]一种基于蚁群混沌遗传算法的片上网络映射方法

权利要求书

1.一种基于蚁群混沌遗传算法的片上网络映射方法，其特征是通过蚁群混沌遗传算法将各IP核分配到片上网络NoC中各资源节点上，实现片上网络映射，所述蚁群混沌遗传算法为：以标准蚁群算法为基础，对每只蚂蚁的参数采用实数编码，并以该编码为遗传算法中的染色体，在蚁群算法每一轮迭代中使用遗传算法对编码过的蚁群算法参数进行调整，即通过遗传算法中的选择及交叉操作对染色体进行调整，更新蚁群算法的参数；同时，对每一轮迭代的结果进行监测，如果监测到蚁群算法陷入局部最优解，则引入混沌模型加大遗传算法的突变概率，进而再通过遗传算法修改蚁群算法参数，直至蚁群算法的最优解满足实际系统芯片设计需要，即NoC的功耗和延时最低，迭代结束，根据最优解完成片上网络映射，所述监测到算法陷入局部最优解是指算法本轮最优解和上一轮最优解相等。

2.根据权利要求1所述的一种基于蚁群混沌遗传算法的片上网络映射方法，其特征是具体步骤为：

1)设置初始化参数并完成对片上系统的初始化过程：设置蚁群算法的最大循环次数，信息启发式因子，期望启发式因子，并设置蚂蚁数，然后将每只蚂蚁放置于各自的起始位置，根据前面的初始化参数生成标准蚁群算法下的初始解；

2)构造迭代解：在构造解的过程中，假设第k只蚂蚁在第t次循环时以概率将IP核Pi分配到资源节点Rj上：

pi,jk(t)=[τi,j(t)]α×[ηi,j(t)]βΣj∉tabuk[τi,j(t)]α×[ηi,j(t)]β,j∉tabuk0,j∈tabuk---(5)]]>

集合tabu_k(k＝1，2，......，M)，M指IP核的总数，tabu_k用于记录蚂蚁k已经分配过的IP核，τ_i，j(t)表示在第t次循环时，将IP核Pi分配到资源节点Rj上的信息素强度，η_i，j(t)是指IP核Pi分配到资源节点Rj上的启发信息，式中α，β分别为信息启发式因子与期望启发式因子，α，β在第一次迭代时由步骤1)设置初值；

3)信息素更新：用参数ρ表示信息素的持久程度(0＜ρ＜1)，Δτ_i，j为信息素增量：

Δτi,j=Σk=1MΔτi,jk---(9)]]>

表示本次循环中蚂蚁k在分配路径(Pi→Rj)上留下的信息量，计算公式为：

Δτi,jk=1cost(k),map(k)includes(Pi→Rj)0,else---(10)]]>

式(10)中，cost(k)为蚂蚁k根据步骤2)得到的分配方案的成本，最优解为具有最小成本的解，所述cost函数的定义根据不同的目标需求而有所不同，使得最优解对信息量的贡献最大，当针对目标函数最大化的优化问题时，则式(10)中的1/cost(k)变化为cost(k)，此时最优解为具有最大成本的解，在所有蚂蚁完成一次循环以后，根据下式对各分配路径(Pi→Rj)上的信息量作更新：

τ_i，j(t+1)＝ρ×τ_i，j(t)+Δτ_i，j            (11)

4)判断最优解：蚁群算法一次循环中迭代解的求解为：

41)从IP核集合P中按概率选择一个未分配的IP核Pi分配到Rj上，并将该核添加到tabu_k中；

42)重复执行N步，直到所有的IP核都分配到相应的资源上，tabu_k满；

一次蚁群迭代循环完成后，在所有的蚂蚁中选择最优解，如果最优解满足条件，迭代结束，如果不满足，则进行步骤5)进入下一次循环迭代；

5)用遗传算法更新蚁群算法参数，并混沌算法避免陷入局部最优解：当蚁群算法得到的解不能满足要求时，使用遗传算法更新蚁群算法的参数，使用实数α，β，Q对各个蚂蚁进行基因编码，每个蚂蚁的染色体即用(α，β，Q)表示：

α＝x×α_f+(1-x)×α_m            (12)

β＝x×β_f+(1-x)×β_m            (13)

Q＝x×Q_f+(1-x)×Q_m               (14)

通过轮盘概率实现优胜劣汰，选择两个种群，将它们的参数(α，β，Q)按比例进行杂交，然后再按照一定的概率对它们的参数进行变异，这里的变异概率由混沌模型来进行调整，将结果保存，重复执行M/2次后，所有蚂蚁的参数都被更新，然后进入下一轮蚁群算法的迭代过程，即回到步骤1)；

所述杂交比例系数x的初始值设为0.5，当检测到算法陷入局部最优的时候，采用混沌模型对x值进行调整：

cxnm+1=4cxnm(1-xnm)---(15)]]>

式中，表示m次迭代得到的第n个混沌变量，且按照式(15)对遗传算法的杂交比例系数x进行更新。

3.根据权利要求1或2所述的一种基于蚁群混沌遗传算法的片上网络映射方法，其特征是对每只蚂蚁的参数编码包括：对信息启发式因子，期望启发式因子以及信息素强度进行编码。