[发明专利]基于Petri网与IFA的3D NoC测试调度方法

权利要求书

1.基于Petri网与IFA的3D NoC测试调度方法，其特征是，基于层次着色赋时Petri网HCTPN与改进萤火虫算法IFA相结合，其包括步骤如下：

步骤1、根据3D NoC测试调度过程在原型Petri网的基础上建立HCTPN模型，确定初始标识与终止标识，并计算输入矩阵与输出矩阵；

上述HCTPN模型通过变迁发生序列表征3D NoC中IP核的测试调度方案，其包括上层轮廓模型与下层子网系统；上层轮廓模型用于描述IP核对TAM的选择及并行调度过程；下层子网系统作为轮廓模型中替代变迁的细化，用于描述各IP核在测试中的优先级和具体路由调度过程；上层轮廓模型与下层子网系统均通过颜色集辨别不同的IP核和路由资源来压缩网规模；同时下层子网系统还进一步通过赋予变迁相应的时延，表示IP核的测试时间，并通过抑止弧描述IP核优先权调度；上层轮廓模型与下层子网系统之间通过抽象库所连接和传递信息；

步骤2、按照式①的编码方式，并通过立方混沌映射公式生成混沌序列，再将混沌序列映射至目标函数空间形成初始萤火虫种群，其中初始萤火虫种群中的每个萤火虫个体均表示一种调度方案；

步骤3、判断初始萤火虫种群的萤火虫个体的有效性：

若初始萤火虫种群中所有的萤火虫个体均有效，即不存在未被任何IP核选中的TAM，则转至步骤4；

若初始萤火虫种群中至少有一个萤火虫个体无效，即存在未被任何IP核选中的TAM，则转至步骤2；

步骤4、将萤火虫种群中的所有萤火虫个体都变换为HCTPN模型中相应的变迁发生序列，其中变迁发生序列σ如式②所示：

步骤5、对于HCTPN模型中的每一个变迁发生序列，从初始标识开始依次激发该变迁发生序列中相应的赋时变迁，并根据适应度函数与路由算法计算赋时变迁的时延，每一个赋时变迁激发完成后，更新状态标识并累加变迁时延，直至变迁发生序列中每个赋时变迁都激发完成并到达终止标识，此时变迁发生序列的总变迁时延即是该调度方案的系统测试时间；

上述适应度函数为：

上述路由算法的具体过程如下：

步骤5.1、确定源节点与目标节点的位置坐标；

步骤5.2、将源节点按照X轴方向传输直至与目标节点的X坐标相同，若此过程中经过直接相连的边缘节点，则利用边缘节点间的互连线进行跳转，否则按照原路径传输；

步骤5.3、将源节点按照Y轴方向传输直至与目标节点的Y坐标相同，若此过程中经过直接相连的边缘节点，则利用边缘节点间的互连线进行跳转，否则按照原路径传输；

步骤5.4、将源节点按照Z轴方向传输直至与目标节点的Z坐标相同，若此过程中经过直接相连的边缘节点，则利用边缘节点间的互连线进行跳转，否则按照原路径传输；

步骤6、将HCTPN模型中的所有变迁发生序列都逆变换为萤火虫个体，并将序列的总变迁时延做为萤火虫个体的绝对亮度；

步骤7、依据萤火虫算法更新所有萤火虫个体的位置向量，即：首先计算萤火虫种群中任意2个萤火虫个体之间的笛卡尔距离，然后通过萤火虫个体之的绝对亮度的比较来确定萤火虫个体移动方向，接着计算萤火虫个体之间的相互吸引力，最后基于萤火虫个体之间的相互吸引力，让亮度大的萤火虫个体按照位置更新公式向亮度小的萤火虫个体靠拢；

步骤8、判断当前萤火虫种群的种群多样性是否大于事先设定的下限值：

若是，则转至步骤9；

否则，先对每个萤火虫个体都按照差分进化算法对其生成一个变异个体，并使萤火虫个体与该变异个体按照一定的概率交叉生成试验个体，再在目标萤火虫个体与对应试验个体之间进行非增值的贪婪选择并保留至下一代；

步骤9、判断当前迭代次数是否达到事先设定的迭代次数：

若达到，则结束寻优过程并输出最优萤火虫个体及其对应的最优变迁发生序列和最佳测试调度方案；

否则，则令迭代次数加1，并返回步骤4再次进行迭代；

上述各式中，X_TAM表示TAM选择个体的编码；B_i表示第i个IP核所选择的TAM编号；S表示优先级个体的编码，S中数值为0的元素代表该TAM上的此顺序处不存在IP核；A_jb表示第j条TAM上测试优先级为b的IP核编号；变迁表示IP核i在TAM j上开始测试；变迁表示IP核i在TAM j上完成测试；W_i,j表示第i个IP核返回HCTPN模型中的上层轮廓模型重新选择第j条TAM的延时；DI_i,j代表第i个IP核选择第j条TAM传输时耗费的总时长，DI_i,j＝T_{core i}+T_{trans i}，T_{core i}表示对IP核自身进行测试所耗费的时长，T_{trans i}表示测试数据包的路由时长；1≤i≤N，N为IP核的数量；1≤j≤M，1≤b≤N-M+1；M为TAM的数量；TAM表示测试访问机制。

2.根据权利要求1所述的基于Petri网与IFA的3D NoC测试调度方法，其特征是，步骤2中，在第一次初始化之前，还需要设置萤火虫算法参数，该萤火虫算法参数包括最大迭代次数、种群规模、步长因子、最大吸引力、光吸收系数和变异系数和交叉系数。