[发明专利]面向功耗的混合粒子群脉冲神经网络映射方法

权利要求书

1.一种面向功耗的混合粒子群脉冲神经网络映射方法，通过将粒子群算法与遗传算法的结合的神经元节点映射方式，得到神经元节点映射到硬件系统中的最佳映射结果，映射方法主体采用粒子群算法，在粒子群算法运行的过程中结合遗传算法的突变操作，对基本粒子群算法进行改进，循环算法至满足终止条件, 包含以下步骤：

第1步：初始化：设置粒子群中粒子数量、最大迭代次数、突变阈值，按照粒子表示方式随机生成初始粒子群、当神经元的数量小于NoC系统中PE的数量时，对神经元数量进行修正，其中，每一个粒子的表示方式及含义如下：

表示神经元的编号1, 2,…,d的一种全排列，而d表示神经元的数量,每个神经元编号的位置代表神经元在NoC系统中放置的位置；

第2步：根据适应度函数计算粒子群中各个粒子的适应度值；

第3步：根据粒子群中各个粒子的适应度值及目标函数找出当前粒子群中全局最佳粒子；

第4步：根据当前粒子群中全局最佳粒子，采取“跳变”的方式对粒子群中全局最佳粒子除外的每一个粒子进行更新，所述“跳变”的含义为：对于一个多维粒子，在每次粒子更新时，使得粒子自身的至少其中一维的值与全局最佳粒子其中一维的值相同；

第5步：粒子群更新完成后，计算粒子群的群体相似度；

第6步：将粒子群的群体相似度与设定的突变阈值进行比较，如果群体相似度大于突变阈值，则进行第7步；否则，进行第8步；

第7步：对粒子群中全局最佳粒子除外的每一个粒子进行突变操作，然后进行第6步；

第8步：判断当前迭代次数是否达到设定的最大迭代次数，如果达到则进行第9步；否则，进行第2步；

第9步：输出全局最佳粒子即最佳映射方案及全局最佳粒子的适应度值。

2.根据权利要求1所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第1步中，所述突变阈值为。

3.根据权利要求1或2所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第1步中，所述当神经元的数量小于NoC系统中PE的数量时，对神经元数量进行修正的方法是：采用插入虚拟神经元的方法使神经元的数量与NoC系统中PE的数量相等，而虚拟神经元与虚拟神经元之间、虚拟神经元与真实神经元之间无通信。

4.根据权利要求1所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第2步中，所述适应度函数如下：

这里为计算单元到计算单元之间的通讯数据量，为计算单元到计算单元之间的跳距。

5.根据权利要求1或4所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第3步中，所述目标函数如下：

。

6.根据权利要求1或4所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第5步中，所述粒子群的群体相似度根据如下公式计算：

其中表示单个粒子的粒子个体相似度，表示第i个粒子具有与全局最佳粒子相同位置的维数量，表示单个粒子的总维数，表示粒子群体相似度，N表示粒子总量。

7.根据权利要求1或4所述的面向功耗的混合粒子群脉冲神经网络映射方法，其特征在于：第7步中，所述突变操作是指在一个粒子中随机挑选出两维，进行对调操作，生成新粒子的过程。