[发明专利]基于生成对抗网络的片上网络任务映射方法

说明书

本发明属于通信技术领域，具体涉及一种基于生成对抗网络的片上网络任务映射方法。该方法包括如下步骤：本方法通过遗传算法得到该任务流图向资源流图的映射方案，作为待优化映射；并通过待优化映射训练生成对抗网络的鉴别器和生成器，并通过评价函数比较生成样本和训练样本二者在多目标优化问题下的优越性，并取性能优越者，对生成对抗网络的生成器和鉴别器进行反复迭代训练，当迭代次数达到预设次数时输出映射结果。本发明通过遗传算法得到的待优化映射对生成对抗网络进行训练，并在训练结束后输出映射结果；得到的映射结果改善了遗传算法中存在的解过早收敛且局部最优的问题，因而可以很大程度上接近全局最优解。

技术领域

本发明属于通信技术领域，具体涉及一种基于生成对抗网络的片上网络任务映射方法。

背景技术

随着半导体工艺技术和集成电路的迅速发展，片上系统(System-on-Chip,SoC)的集成度越来越高，同时由于IP核之间的通信量急剧增加，总线负载量增加，传统的总线结构暴露出同步困难、传输效率低、可扩展性差等问题，将使其无法满足数十个乃至上百个IP核的通信需求。作为新一代的片上互连通信模式，片上网络(Network-on-Chip,NoC)将互联网思想移植到片上系统中，通过分离通信和计算两部分，很好地解决了传统总线结构存在的问题，从而实现IP核之间的数据通信。

由于大部分大型网络的设计目标是尽可能地达到网络的最佳性能(如：吞吐量、平均包延时等)，其网络计算延时和功耗会受到一定的限制。而NoC映射技术决定了任务与NoC中的IP核之间的关联，即映射方案确定了任务在NoC平台的位置，不同的映射结果往往造成NoC系统在实时性、计算时间和功耗等多方面的差异，因此对映射算法进行优化是实现NoC低功耗和低延时的重要手段，对系统性能具有十分重要的影响。

在NoC映射问题中，随着网络尺寸的增长，其映射解可搜索空间呈阶乘式递增，属于NP难问题(on-Deterministic Polynomial-Hard,NP)即多项式复杂程度的非确定性难问题。目前，研究人员针对NoC映射问题已经设计出诸多的优化算法,其中遗传算法(GeneticsAlgorithm,GA)相较其他启发式算法而言，具有收敛性好的优点，能够解决NoC映射解空间的NP难问题。在多目标映射问题下，由于大型网络任务流图节点数过于庞大，利用遗传算法进行映射后的解搜索空间过大，计算复杂度高，比较容易陷入局部最优解中。

现有技术为解决遗传算法容易陷入局部最优解这一问题，大都对遗传算法进行改进。如学术文献“张保岗,韩国栋,汤先拓.基于改进量子遗传算法的片上网络多目标映射技术[J].计算机应用与软件,2020,37(08):115-121.”其通过改进的量子遗传算法来解决片上网络映射问题；又如申请号为201110283124.1的中国专利文献，其公开了一种基于蚁群混沌遗传算法的片上网络映射方法；其通过引入混沌模型的方法加大遗传算法的突变概率，从而避免遗传算法停滞于局部最优解的问题；这些现有技术仅从改进遗传算法配置参数的角度出发，从而改善遗传算法得到的映射结果停滞于局部最优解的问题。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于生成对抗网络的片上网络任务映射方法。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于生成对抗网络的片上网络任务映射方法，所述方法包括如下步骤：

A.获取任务流图和资源流图，并通过遗传算法得到该任务流图向资源流图的映射，作为待优化映射；对所述待优化映射进行标准化处理，得到训练样本；

B.建立生成对抗网络，将所述训练样本输入至所述生成对抗网络；

C.通过所述生成对抗网络的生成器生成与训练样本格式相同的生成样本，并输出生成样本；固定生成器，将所述训练样本和所述生成样本输入鉴别器，用于对鉴别器进行训练，当鉴别器的判别结果满足第一目标函数时，鉴别器训练结束；