[发明专利]面向功耗的混合粒子群脉冲神经网络映射方法

摘要

本发明公开了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。本发明的技术方案克服了基本粒子群算法性能的缺陷，既能够发挥粒子群算法原有的搜索能力，也能克服因基本粒子群算法过早收敛，容易陷入局部最优缺点，使算法能够搜索到全局最优解，有效地降低了系统功耗，增强了映射方案的应用性。

主权项

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；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；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。