引言
随着开云棋牌官网在线客服工艺的发展，集成电路上的芯片技术快速发展，当前3 nm量级芯片工艺已经逼近物理极限，仅通过提升芯片尺寸，难以实现大规模性能提升。随着多芯粒异构集成技术逐渐发展[1]，其可将多个不同厂家的芯片集成，极大降低了芯片的设计成本。而采用多个芯粒集成后带来了相互之间的通信问题。芯粒内采用NoC（Network-on-Chip）进行通信，节点路由器作为信息传递转发的载体，其排布直接影响通信传输任务性能[2]。因此，优化NoC节点的布局以及IP核映射具有重要的意义[3-4]。
在NoC低功耗映射方面。随着技术的发展，当节点数增加后运算量急剧上升，寻找最佳映射变得更加困难，因此国内外学者采用群智能优化算法搜索最佳映射，最经典的为蚁群算法、粒子群算法和遗传算法等[5]。蚁群优化算法(Ant Colony Optimization,ACO)采用蚂蚁寻找食物原理进行最优化搜索[5]，Xie将量子编码引入蚁群算法[6]，在应用通信图TFGG[7]上，最小功耗比传统蚁群算法降低10%~15%，但是其收敛速度较慢。粒子群优化算法（Particle Swarm Optimization，PSO）因其结构简单、收敛速度快而受到青睐，刘勤让等人提出的离散PSO方法，动态调整参数个体适应度值，相比蚁群算法和传统粒子群算法，其缩短执行时间，减小映射通信功耗[8]。遗传算法（Genetic Algorithm，GA）具备较强的全局搜索能力，董文箫等人基于GA的映射方法在降低能耗方面表现突出[9]，但GA通常收敛速度较慢。为了解决上述问题，学者们采用混合优化策略实现群智能优化算法性能提升。李君艺等人结合PSO和GA算法，提升了映射速度[10]；其他学者采用新的优化算法实现低功耗映射，比如王曦璐采用改进鲸鱼算法实现低功耗映射[11]，Parisa等人则采用野草算法，该算法相比5种经典算法，通信性能分别提高了4%~13%[12]。
综上所述，群智能优化算法为NoC映射主要解决方法，但是对于复杂通信任务现有算法仍然容易出现局部收敛，效果不佳，因此仍然需要进行低功耗性能优化。本文引入排列编码机制、部分映射交叉算子和混合选择机制等，改进了传统的遗传算法，实验结果表明：在通信任务上本文提出的改进遗传算法性能优于粒子群算法和灰狼算法。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006909
作者信息：
潘福跃1，闫俊启2，郑利华1，徐孝彬2
（1.中国电子科技集团公司第五十八研究所，江苏 无锡 214072；
2.河海大学 机电工程学院，江苏 常州 213200）
