[发明专利]基于FPGA的粒子群算法加速方法

说明书

本发明涉及一种基于FPGA的粒子群算法加速方法。本发明包括以下步骤：将所要求解的粒子群数据分成若干个可并行计算的数据组；在每次迭代过程中，首先，各数据组的数据独立并行计算，得到每个数据组的组内最优位置，然后根据各个数据组的组内最优位置得到本次迭代的粒子群的全局最优解；进行下一次迭代，直到满足预定的迭代终止条件，获得预设满足要求的最优解。本发明选择了FPGA作为粒子群算法加速器的计算平台，基于粒子群算法的数据流特点和FPGA器件的结构特征，不仅能够达到预期的加速效果，同时降低处理器功耗，进而满足无人驾驶、机器人路径规划等便携场景。

技术领域

本发明涉及高性能计算技术领域，具体的说是一种基于FPGA的粒子群算法加速方法。

背景技术

粒子群算法，也称粒子群优化算法或鸟群觅食算法(Particle SwarmOptimization)，缩写为PSO，是近年来由J.Kennedy和R.C.Eberhart等开发的一种进化算法(Evolutionary Algorithm-EA)。PSO算法属于进化算法的一种，从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质，通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。

粒子群算法在优化问题(如旅行商问题、背包问题等)求解，地图路径搜索，机器人路径规划，图像处理，神经网络训练等问题上应用广泛。尤其是随着目前无人驾驶、工业机器人等研究和应用领域的兴起，粒子群算法的重要性日趋突出。

粒子群算法是一种并行算法，算法流程图如图1、2所示。各个粒子在初始化之后，分别进行适应度评估，然后集中进行信息交互得出本轮新的全局最优位置，再根据这个全局最优位置和各粒子当前的位置更新粒子位置，也就是试探新的问题的最优解。从图1、2中可知，粒子群算法的计算密度很高(每个粒子都要计算，适应度函数模型复杂，为了得到最优解要进行多次迭代)，但算法逻辑并不复杂，目前主流的CPU处理器的优势在于处理算法逻辑，因此，现有的基于CPU的粒子群算法器并不能充分利用CPU的资源，从而也就达不到好的加速效果。

粒子群算法如此好的解决优化问题的能力是通过大量的迭代和复杂的评估计算完成的，是一种计算密集型算法，虽然能够比较好的解决问题，但是付出的代价是需要大量的计算资源，如果使用普通的计算机来完成，虽然能够求解，但是求解时间过长，无法满足无人驾驶、机器人路径规划等实时性要求较高的问题的需要。因此，需要为粒子群算法提供更好的计算平台，以实现算法加速。

发明内容

针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种基于FPGA的粒子群算法加速方法。

本发明为实现上述目的所采用的技术方案是：一种基于FPGA的粒子群算法加速方法，包括以下步骤：

将所要求解的粒子群数据分成若干个可并行计算的数据组；

在每次迭代过程中，各数据组的数据独立并行计算，得到每个数据组的组内最优位置；再根据各个数据组的组内最优位置得到本次迭代的粒子群的全局最优解；

进行下一次迭代，直到满足预定的迭代终止条件，获得预设满足要求的最优解。

所述每个数据组存放在FPGA中的一个BRAM中。

所述各数据组的数据独立并行计算，得到每个数据组的组内最优位置，包括以下步骤：

对各个粒子进行初始化；

根据上次迭代得到的组内最优位置和各粒子当前的位置更新粒子位置；

计算各个粒子的适应度；

对各个粒子间进行信息交互，得到本次迭代过程中的组内最优位置。

所述对各个粒子进行初始化，具体为：