[发明专利]一种基于多目标优化的多核SoC软件映射方法

摘要

本发明涉及一种基于多目标优化的多核SoC软件映射方法，其包括以下步骤(1)、优化多核SoC软件映射的目标；(11)、确定多核SoC软件映射中的决策变量；(12)、确定多核SoC软件映射的约束条件；(13)、确定多核SoC软件映射的目标总函数(14)基于任务和处理器建立二者之间映射开销；(15)建立起通信事件与处理器之间对应的开销矩阵，(2)多核SoC软件映射的多目标演化步骤如下(21)编码；(22)初始染色体种群生成；(23)约束违例检查；(24)适应度计算；(25)选择；(26)变异；(27)杂交；(28)重复(23)～(27)步骤，直到完成预定的演化代数。

主权项

一种基于多目标优化的多核SoC软件映射方法，其特征在于，包括以下步骤：(1)、优化多核SoC软件映射的目标；(11)、确定多核SoC软件映射中的决策变量；(12)、确定多核SoC软件映射的约束条件；(13)、确定多核SoC软件映射的目标总函数，目标总函数包括第一目标函数、第二目标函数和第三目标函数，第一目标函数为：f(map)=min(maxp∈VAfp),]]>其中：fp=fpe+fpc,]]>fpe=1cpΣa∈VKαaxap,]]>fpc=1cpΣa∈VKxapΣb∈Bα,m∈Mpβbxbm,]]>fm=1cmΣb∈EKαbxbm,]]>VA表示映射map的目标平台节点，fp表示对应处理器总处理时间，fm表示内存的总处理时间，表示处理器的所有执行事件所花费的总时间，表示所有通信事件所花费的总时间；a表示卡恩网络的一个节点；αa表示表示节点a的计算周期要求；cp表示表示处理器p的处理能力；cm表示内存m的处理能力；Vk表示卡恩网络的所有节点的集合；b表示一个通道；xap表示表示节点a是否被映射到p，如果a映射到p，那么xap＝1，否则为0；Bα表示与一个节点a相连的通道集合；Mp表示处理器p能够访问的内存的集合；βb表示通道b的通信时间需求；xbm表示通道b是否被映射到m，如果是那么为1，否则为0；Ek表示卡恩网络的所有通道的集合；第二目标函数为：g(map)=minΣp∈VAgp,]]>其中：gp=fpewpe+fpcwpc,]]>gm＝fmwme，VA表示映射map的目标平台节点，gp表示处理器p的能耗，gm分别内存m的能耗，其中表示处理器p上执行的时间，wpe表示处理器单位执行时间的能耗，表示处理器上通信的时间，wpc表示处理器单位通信时间的能耗；第三目标函数为：其中：P为映射中map中使用的处理器的集合，M为映射map使用的内存的集合，up表示p的成本，um表示m的成本，yp和ym表示是否使用p或者m；多核SoC软件映射的目标总函数表示为：min f＝(f(map),g(map),c(map))，其中，f(map)表示映射方案map达到的计算时间目标，g(map)表示映射方案map的能耗目标，c(map)表示映射方案map达到的成本目标，(14)建立基于任务和处理器建立二者之间映射开销，对于一个任务集合T＝{t1,t2,…,tn}，以及一个平台的处理单元类型集合P＝{p1,p2…,pm}，存在一个运行时间矩阵P，P=p11p12...p1np21p22...p2n............pm1pm2...pmn]]>其中，pij表示任务tj在pi类处理器上的运行时间，(15)建立起通信事件与处理器之间对应的开销矩阵，对于一个通信事件集合E＝{e1,e2,…,en}，以及一个平台的处理单元类型集合P＝{p1,p2…,pm}，存在一个运行时间矩阵C，C=c11c12...c1nc21c22...c2n............cm1cm2...cmn]]>其中，cij表示通信事件ej在pi类处理器上的运行时间，(2)多核SoC软件映射的多目标演化步骤如下：(21)编码：编码的染色体为各处理器Kahn进程网络中的节点和FIFO通道到平台构件之间映射的编号构成的编码，(22)初始染色体种群生成：首先，将内存区域按照一定的粒度划分成内存单元，并分别为每个内存单元编码，然后为每个处理器进行编码，其次，对于Kahn进程网络上的每个进程节点，随机地从有效处理器编码集合中选择一个，直到每个进程节点都被分配到一个处理器，最后，启动修复算法，完成FIFO通道到内存单元的映射，(23)约束违例检查：首先，考虑Kahn进程所映射的处理器是否来自于有效处理器集合，如果有违背这个约束条件，那么从有效集合中随机选择一个处理器进行映射，对于FIFO通道，主要检查每个FIFO是否位于同一个处理器，如果是那么将其映射到一个处理器上，如果不是同一个处理器上的FIFO，则随机选择一个内存M，将其映射到M上，(24)适应度计算：基于NSGAII算法中的方法，首先采用快速非支配排序确定种群中每一个个体的非支配等级，然后通过局部拥挤距离算法对其进行密度估计，确定个体的局部拥挤距离，(25)选择：采用二元约束竞赛选择法，在该选择方法中，从当前种群中随机地挑选两个个体，然后将适应值最好的个体选做父个体，重复执行这个过程，直到个体数目达到预定的种群规模，选出的父个体作为下一代种群，(26)变异：突变操作采用独立的位变异方法，即每个个体的随机的一位发生改变，改变的值是随机的，将变异后的染色体转换成为一个映射方案，利用步骤(13)中的目标总函数计算出该映射方案下的三个目标值，(27)杂交,(28)重复步骤(23)～步骤(27)，直到完成预定的演化代数。