[发明专利]一种保证质量的快速软硬件划分方法

说明书

本发明公开了一种保证质量的快速软硬件划分方法，保留遗传算法的交叉运算和变异运算，并引入阴性选择算法的阴性选择过程和基于等位基因浓度来指导产生新个体的策略，采取一种新型的进化方法来加速进化的过程并保证个体的质量，从而克服传统遗传算法耗时长以及阴性选择算法结果随机性大、容易陷入局部最优的缺点。

技术领域

本发明涉及计算机技术领域，具体涉及一种对嵌入式系统模型进行软硬件划分的方法。

背景技术

随着嵌入式系统与微电子技术的飞速发展，硬件的集成度越来越高，这使得将CPU、存储器和I/O设备集成到一个硅片上成为可能，SOC应运而生，并以其集成度高、可靠性好、产品问世周期短等特点逐步成为当前嵌入式系统设计技术的主流。

针对嵌入式系统Soc设计面临的问题与挑战，研究者们开始探索新的设计方法学——软硬件协同设计(Hardware/Software Co-Design)方法学。软硬件协同设计不仅是一种设计技术，同时也是种新的设计方法学，其核心问题是协调软件子系统和硬件子系统。与传统的嵌入式系统设计方法不同，软硬件协同设计强调软件和硬件设计开发的并行性和相互反馈，如图1所示，克服了传统方法中把软件和硬件分开设计所带来的种种弊端，协调软件和硬件之间的制约关系，达到系统高效工作的目的，软硬件协同设计提高了设计抽象的层次，拓展了设计覆盖的范围。

软硬件划分是软硬件协同设计中的一个关键技术。软硬件划分是指在系统设计过程中，给每个功能模块分配一种实现方式，或者是硬件电路实现，或者是在通用处理器上用软件代码实现。软件实现成本较低并且几乎不占用芯片面积，但速度较慢；而硬件实现速度很快但会占用较大芯片面积并且成本较高。

软硬件划分的目的是综合软件和硬件各自的优点，根据所设计的具体系统的特性和用户对各种性能指标的要求，给出一个能兼顾各个属性并满足系统要求的分配方案。一个好的划分方案可以减少资源的使用、降低系统的成本，为后面的设计与开发打好基础，而要得到好的划分方案就必须有好的划分算法，划分算法性能不佳会导致开发周期的增加，甚至影响整个开发过程。

任务图用来对划分目标进行建模，任务图为一个有向无环图，它重点描述系统中任务之间的数据、控制关系以及每个节点的参数信息，而与现实中系统采用的具体体系结构无关。任务图的每个节点代表一个任务，节点的属性包含该任务分别用软件和硬件实现所需的面积、时间、成本和功耗，任务图的每条有向边上有一个权值，表示与其相连的两个节点采用不同实现方式时的通信功耗。对一个用任务图描述的嵌入式系进行软硬件划分的例子如图2所示。

启发式算法(Heuristic Algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。

遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。遗传算法整体流程如图3。然而，遗传算法存在耗时较长的缺点。