[发明专利]基于反向学习半径粒子群优化的任务划分系统及其方法

说明书

本发明涉及一种基于反向学习半径粒子群优化的任务划分系统及其方法，该系统包含半径粒子群优化模块、判决器模块及反向学习模块，半径粒子群优化模块根据服务请求及任务属性，评价候选划分方案，设计适应函数，动态分区域计算区域最优任务划分方案，选取全局最优任务划分方案；判决器模块记录划分方案，判断是否陷入局部限值，若是则触发反向学习模块，否则不触发反向学习模块，继续进行半径粒子群优化；反向学习模块对划分方案进行退化，将退化结果反馈给半径粒子群优化模块，继续求解任务划分方案。本发明通过半径粒子群优化求解全局最优任务划分方案，有效提高求解精度；通过反向学习机制将划分方案进行退化，克服局部极值问题，提高任务划分质量，系统执行性能显著提高。

技术领域

本发明属于嵌入式系统软硬件协同设计任务划分技术领域，特别涉及一种基于反向学习半径粒子群优化的任务划分系统及其方法。

背景技术

任务划分是可重构片上系统中软硬件协同设计的关键步骤，其数学模型属于多目标优化问题。求解任务划分方案去最初采用手工方法，随着系统复杂性增加，任务划分问题变得越来越复杂，研究人员使用自动化的方法解决任务划分问题。广义的任务划分问题将应用程序抽象为任务图G＝{V,E}，G是一个有向无环图，包含一组N个节点V和若干个有向边E，每个节点v_i∈V,i∈N表示一个需要在处理器中执行的计算任务，每条有向边e_ij∈E表示数据从任务i通过总线传输到任务j，任务v_i的属性包括v_i＝{x_i,TS_i,TH_i,ES_i,EH_i,A_i}，x_i表示任务v_i的候选划分位置，在任务划分为二向划分时，x_i＝{0,1}，x_i＝1表示任务v_i在软件计算部件中执行，x_i＝0表示任务v_i在硬件计算部件中执行，TS_i，TH_i分别表示任务v_i在软件计算部件和硬件计算部件中的执行时间，ES_i，EH_i分别表示任务v_i在软件计算部件和硬件计算部件中的能耗，A_i表示任务v_i在硬件计算部件中执行时需要的硬件面积资源，硬件面积资源通常意味着系统设计时的成本开销。一般而言，任务划分的目标是在系统约束条件范围内，减少任务执行时间和能耗，达到提高系统性能的目的。对于嵌入式系统中的任务二向划分，即求解出最优方案X，X＝{x₁,x₂,...,x_N}。即将任务图G中节点集合V划分为{V_s,V_h}。V_s表示在CPU执行的任务集合，V_h表示在FPGA中执行的任务集合，V_s∪V_h＝V且

传统的基于线性规划任务划分方法，通过求解多项式得到满足系统条件(时间、功耗、成本)的划分方案，这种求解方法的优点是可以求得最优解。但是在大规模任务个数下，该类算法求得最优解的代价是执行较长时间，无法满足可重构系统执行多个应用程序时的实时性要求。因此，目前研究流行的方法是使用以粒子群优化为代表的启发式算法快速求解任务划分方案。粒子群算法是一种新颖的基于种群更新的启发式算法，该方法通过随机初始化粒子的个体位置并在更新粒子的过程中搜索群体的最优位置，从而求得全局最优解。在每一代，粒子的更新速度和位置在个体历史最优解和全局最优解的指导下进行更新。粒子群算法用来求解多目标优化问题，具有参数简单，收敛迅速的优点，但是其求得的近似解质量较差。一方面该算法求解范围较小，精度不高，易错过最优解；另一方面局部极值问题会导致求解过早收敛。