CN103116693A - 基于人工蜂群的软硬件划分方法 - Google Patents
基于人工蜂群的软硬件划分方法 Download PDFInfo
- Publication number
- CN103116693A CN103116693A CN2013100129183A CN201310012918A CN103116693A CN 103116693 A CN103116693 A CN 103116693A CN 2013100129183 A CN2013100129183 A CN 2013100129183A CN 201310012918 A CN201310012918 A CN 201310012918A CN 103116693 A CN103116693 A CN 103116693A
- Authority
- CN
- China
- Prior art keywords
- hardware
- food source
- food
- source
- search
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于人工蜂群的软硬件划分方法,包括:将蜂群算法映射到软硬件划分中,并进行食物源的侦察;将侦察到的食物源进行评估;确定食物源的搜索邻域,并进行邻域搜索;计算每一只跟随蜂得到的适应度高的食物源的收益度占所有食物源适应度总和的比重,再按比重对食物源进行开采;选择每只蜂适应度最高的食物源作为当前食物源进行评估,找到当前最佳的软硬件划分方案;将剩余的蜜蜂进行新的食物源搜索和开采,如果觅食过程中连续不能更新的最大搜索次数大于限制条件时,初始化该食物源,再评估和搜索邻域,直到循环次数大于系统要求的最大循环次数为止。本发明可以有效解决目前已有软硬件划分算法存在的搜索能力差、收敛速度慢等问题,更高效的完成软硬件划分任务。
Description
技术领域
本发明涉及一种软硬件划分的方法。特别是涉及一种针对一个嵌入式系统实现复杂任务的基于人工蜂群的软硬件划分方法。
背景技术
1、蜂群算法简介
蜂群算法(ABC algorithm)是建立在蜜蜂和蜜蜂群体群居行为的模型上。蜂群主要的行为包括搜索食物源、为食物源招募跟随蜂和放弃食物源。蜜蜂具有很强的群体适应能力,群体中的个体通过气味、舞蹈等信息交互的方式进行个体和群体的协同,进而完成比较复杂的任务,如:觅食、繁衍后代等。
蜂群算法中的蜂群包含引领蜂(employed bees)、跟随蜂(onlookers)和侦察蜂(scouts)。在每一次循环中,引领蜂和侦察蜂的数目相同,当找到较好的食物源后,这个食物源处留一只蜜蜂,其他的侦察蜂重新侦查新的食物源。引领蜂和跟随蜂负责食物的开采,侦察蜂负责执行对食物源的寻找工作,通过三种蜂的协调完成蜂群对食物源的探索和开采,具有较快的收敛速度,能够达到较好的平衡,寻找到最佳的食物源。蜜蜂采蜜的过程相当于寻找最优解的过程,最终的最优解对应的编码信息即为系统任务划分的最佳方案。
2、软硬件划分原理
假设待划分系统由N个结点构成,每个结点既可以用软件实现(用0表示),也可以用硬件实现(用1表示),这样N个结点的软硬件划分构成了一个N维空间,将每一种划分方案看作一个食物源位置等信息。根据此映射关系,将蜂群算法中的所有的食物源映射到N维空间中,我们要从所有的食物源中找到最优的食物源,而每一个食物源位置等信息可以被看作一个N维的编码信息,与编码信息对应的方案即为实现任务的软硬件划分的方案。
我们将一个系统的任务分为若干个子任务来执行,这些任务可以由硬件(用1表示)和软件(用0表示)的结合来完成,这些任务的执行顺序对应的编码可以看做一组有序的二进制数。抽象为数学中的一个可行解。
显然,从数学角度来讲,结点数越多,其对应的不同的任务软硬件划分方案越多,并且其数目成指数增长。对于一个由N个结点组成的DAG图,我们将第i个结点任务用硬件执行,其它结点任务用软件执行所对应的序列看作由)组成了集合Keys,其数学表达式如式1.1所示:
Keys:={ξi}(i:=1,2,...,N) 1.1
由Keys生成的解空间用spanKeys来表示,spanKeys的数学表达式如式1.2所示:
我们将
称为由ξ1,ξ2,…,ξN的线性组合。其中,spanKeys中元素的个数为2N个,对应2N种不同的编码信息,即对应2N种不同的软硬件划分方案。其中ξi,j:=0(ξi,j:=1)表示由软件(硬件)实现。软硬件划分的目的是在较短的时间内寻找最优的软硬件划分方案。
发明内容
本发明所要解决的技术问题是,提供一种针对一个嵌入式系统实现比较复杂的任务划分,能提高系统的搜索和寻优能力,寻找最佳的软硬件任务的划分方案,从而提高系统执行任务效率的基于人工蜂群的软硬件划分方法。
本发明所采用的技术方案是:一种基于人工蜂群的软硬件划分方法,包括如下步骤:
1)将蜂群算法映射到软硬件划分中,完成初始化,使用蜂群的一半进行食物源的侦察;
2)将侦察到的食物源进行评估,评估侦察到食物源的适应度大小和是否满足系统本身的约束条件,即计算在软硬件划分中,该方案的硬件占用面积和时间开销,是否满足系统的要求;
3)确定食物源的搜索邻域,然后根据邻域搜索方法对步骤2)中侦察到的每一个食物源进行邻域搜索,即招募跟随蜂对这些食物源进行开采,邻域搜索方法是通过随机改变当前食物源的位置来实现对邻域食物源的寻找,即为招募跟随蜂对食物源进行开采,记录开采过程中最优食物源的位置,并计算最优食物源的适应度,对应于软硬件划分中通过随机改变软硬件划分所对应的编码信息的若干位,编码为0(1)的改变为1(0),根据评估内容,选择改变前后最佳的软硬件划分方案;
4)计算每一只跟随蜂进行邻域搜索后得到的适应度高的食物源的收益度占所有食物源适应度总和的比重,然后根据该比重采用步骤3)中邻域搜索的方法再派遣跟随蜂进行新的邻域搜索,比重越大招募的跟随蜂就越多,即按比重招募跟随蜂对这些食物源进行开采;
5)将步骤4)每只跟随蜂邻域搜索到的食物源进行评估,选择每只跟随蜂适应度最高的食物源作为当前食物源;将选出的所有当前食物源进行评估,找到全局适应度最高的食物源,即当前最佳的软硬件划分方案;
6)将剩余的蜜蜂进行新的食物源搜索和开采,同时,如果觅食过程中连续不能更新的最大搜索次数大于限制条件时,初始化该食物源,转到步骤2)直到循环次数大于系统要求的最大循环次数为止。
步骤1)中蜂群算法的初始时刻,首先将一半的蜜蜂作为侦察蜂侦查食物源,将侦查到的食物源对应的N位编码信息的每一位进行0或1等概率随机选择,其中N是大于0的整数。
步骤2)中所述的评估是在侦察蜂侦察到的所有食物源中,找出适应度最大的食物源,具体是将侦察到的食物源对应的编码信息进行评估,评估内容包括硬件占用面积,时间开销因素,以减少硬件占用面积、降低时间开销为目标进行加权得到评估结果,找出当前最佳的软硬件划分方案,即适应度最大的食物源。
在步骤4)搜索的过程中,如果邻域搜索到的食物源的适应度没有提高,则搜索次数加一,记录下所有食物源在邻域搜索时适应度不能提高的最大连续搜索次数,如果邻域搜索的食物源适应度得到提高,则该计数清零。
在步骤5)中当邻域搜索到的食物源的适应度大于当前食物源的适应度时,将邻域的食物源的编码信息赋给当前食物源,作为当前食物源的编码信息,然后进行新的邻域搜索,同时将对该食物源搜索中适应度不能提高的计数次数清零;如果邻域搜索到的食物源的适应度没有提高,则搜索计数次数加一;记录下所有食物源在邻域搜索时适应度不能提高的最大连续搜索次数;对应于软硬件划分中更新编码后,将编码方案进行评估,如果编码方案优于更新前的编码方案,则将更新后的软硬件划分方案作为当前最优的划分方案,反之,保留当前食物源,进行新的划分方案的寻找;最后,将所有蜜蜂侦察到的各自的最优食物源的适应度进行对比,找出蜂群觅食的最佳食物源,该最佳食物源对应的编码信息映射到软硬件划分中,即为最佳的软硬件划分方案。
步骤6)在对每一个食物源进行搜索的过程中,最终在全局最优的食物源处保留一只引领蜂,即记录下此时系统最优的软硬件划分方案,其它的蜜蜂变为侦察蜂或跟随蜂,从新进行食物源的搜索和开采,即进行新的软硬件划分方案的寻找;同时,将每一个食物源连续无效更新的次数进行排序,如果最大次数大于最大限制次数,则对该食物源初始化,然后转到步骤2),直到循环次数大于系统要求的最大循环次数为止;循环结束时找到的最佳食物源即为最佳的软硬件划分方案。
本发明的基于人工蜂群的软硬件划分方法,能较快的寻找到实现软硬件划分的最优或次优方案。本发明是一种软硬件划分方法,主要应用于系统软硬件协同设计中。目前已有的算法存在全局搜索能力差、收敛速度慢等问题。而本发明要提供一种高效的软硬件划分方法。本发明的目的是要提供一种高效的软硬件划分方法,人工蜂群算法具有很强的全局寻优能力和收敛效率。本方法提出基于人工蜂群的软硬件划分方法,可以有效解决目前已有软硬件划分算法存在的搜索能力差、收敛速度慢等问题,更高效的完成软硬件划分任务。
附图说明
图1是与一个系统任务对应的有向无环图。
具体实施方式
下面结合实施例和附图对本发明的基于人工蜂群的软硬件划分方法做出详细说明。
本发明的基于人工蜂群的软硬件划分方法,是基于蜂群的生活规律(觅食等行为)设计的方法。蜜蜂在生活中保持个体与个体,个体与群体,群体与群体之间很好的协调性,能尽快找到最佳蜜源(食物源)。基于这种思想,本发明给出的方法,能较快的寻找到实现软硬件划分的最优或次优方案。
本发明的基于人工蜂群的软硬件划分方法,包括如下步骤:
1)将蜂群算法映射到软硬件划分中,完成初始化,使用蜂群的一半进行食物源的侦察,也是对食物源进行初始化的过程;蜂群算法的初始时刻,首先将一半的蜜蜂作为侦察蜂侦查食物源,将侦查到的食物源对应的N位编码信息的每一位进行0或1等概率随机选择,其中N是大于0的整数。
人工蜂群和软硬件划分存在一个映射关系。我们将一个系统的任务分为若干个子任务来执行,这些任务可以由硬件(用1表示)和软件(用0表示)的结合来完成,任务的执行顺序对应的编码可以看作一组有序的二进制数,将其抽象为数学中的一个可行解。寻找这个可行解的过程相当于蜜蜂的觅食行为,蜂群觅食行为和数学模型、软硬件划分的对应关系如表1所示。
表1蜂群觅食行为和数学模型、软硬件划分的对应关系
2)将侦察到的食物源进行评估,评估侦察到食物源的适应度大小和是否满足系统本身的约束条件,即计算在软硬件划分中,该方案的硬件占用面积和时间开销,是否满足系统的要求;所述的评估是在侦察蜂侦察到的所有食物源中,找出适应度最大的食物源,具体是将侦察到的食物源对应的编码信息进行评估,评估内容包括硬件占用面积,时间开销等因素,以减少硬件占用面积、降低时间开销为目标进行加权得到评估结果,找出当前最佳的软硬件划分方案,即适应度最大的食物源。
3)确定食物源的搜索邻域,然后根据邻域搜索方法对步骤2)中侦察到的每一个食物源进行邻域搜索,即招募跟随蜂对这些食物源进行开采,邻域搜索方法是通过随机改变当前食物源的位置来实现对邻域食物源的寻找,即为招募跟随蜂对食物源进行开采,记录开采过程中最优食物源的位置,并计算最优食物源的适应度,对应于软硬件划分中通过随机改变软硬件划分所对应的编码信息的若干位,编码为0(1)的改变为1(0),根据评估内容,选择改变前后最佳的软硬件划分方案;
4)计算每一只跟随蜂进行邻域搜索后得到的适应度高的食物源的收益度占所有食物源适应度总和的比重,然后根据该比重采用步骤3)中邻域搜索的方法再派遣跟随蜂进行新的邻域搜索,比重越大招募的跟随蜂就越多,即按比重招;理想情况下,当前食物源对应的软硬件划分方案评估结果越好就越接近最优方案。通过更改划分方案的编码信息进行邻域搜索,搜索的过程中,如果邻域搜索到的食物源的适应度没有提高,则搜索次数加一,记录下所有食物源在邻域搜索时适应度不能提高的最大连续搜索次数,如果邻域搜索的食物源适应度得到提高,则该计数清零。
5)将步骤4)每只跟随蜂邻域搜索到的食物源进行评估,选择每只跟随蜂适应度最高的食物源作为当前食物源;将选出的所有当前食物源进行评估,找到全局适应度最高的食物源,即当前最佳的软硬件划分方案;
当邻域搜索到的食物源的适应度大于当前食物源的适应度时,将邻域的食物源的编码信息(位置)赋给当前食物源,作为当前食物源的编码信息(位置),然后进行新的邻域搜索,同时将对该食物源搜索中适应度不能提高的计数次数清零;如果邻域搜索到的食物源的适应度没有提高,则搜索计数次数加一;记录下所有食物源在邻域搜索时适应度不能提高的最大连续搜索次数;对应于软硬件划分中更新编码后,将编码方案进行评估,如果编码方案优于更新前的编码方案,则将更新后的软硬件划分方案作为当前最优的划分方案,反之,保留当前食物源,进行新的划分方案的寻找;最后,将所有蜜蜂侦察到的各自的最优食物源的适应度进行对比,找出蜂群觅食的最佳食物源的位置,也就是最优解,该最优解对应的编码信息映射到软硬件划分中,即为最佳的软硬件划分方案。
6)将剩余的蜜蜂进行新的食物源搜索和开采,同时,如果觅食过程中连续不能更新的最大搜索次数大于限制条件时,初始化该食物源,转到步骤2)直到循环次数大于系统要求的最大循环次数为止。
在对每一个食物源进行搜索的过程中,最终在该食物源处保留一只引领蜂,即记录下此时系统最优的软硬件划分方案,其它的蜜蜂变为侦察蜂或者跟随蜂从新进行食物源的搜索和开采,即进行新的软硬件划分方案的寻找;同时,将每一个食物源连续无效更新的次数进行排序,如果最大次数大于最大限制次数,则对该食物源初始化,然后转到步骤2),直到循环次数大于系统要求的最大循环次数为止;循环结束时找到的最优解即为最佳的软硬件划分方案。
下面是采用本发明的基于人工蜂群的软硬件划分方法的具体实例:
算法参数设置:limit=100,最大迭代次数:1000,食物源未更新次数限制:100,邻域搜索方法改变时的为更新次数限制limit_time=10,种群规模:16,食物源:(种群规模/2),初始时刻侦察蜂的数量=跟随蜂数量=0.5*种群规模。
本发明以图1所给出的有向无环(DAG)图所对应的软硬件划分模型为例子进行实例分析。其中,实线表示用硬件实现,虚线表示用软件实现。
初始时刻,随机的对DAG图对应的任务进行软硬件划分,由硬件实现用1表示,软件实现用0表示。根据结点顺序将软硬件划分的方案用0或1有序表示,图中对应的编码信息为0101010101,表示第1、3、5、7、9结点对应的任务有软件实现,其它结点任务由硬件实现。任务的执行可以选择不同的方案。例如:编码信息也可以是0110110011,对应的任务划分方案为第1、4、6、7结点对应的任务由软件实现,其它结点对应的任务有硬件实现。这两种方案相当于蜂群算法中两只蜜蜂侦查到的不同的食物源,编码信息为蜜蜂的寻找到的蜜源位置等信息。选取不同的侦察蜂进行侦查,侦查到的食物源位置等信息不同,其对应的软硬件划分方案不同。具体步骤是:
1、按照本发明的方法对DAG图的任务进行不同的任务分配,本实例中我们采用蜂群共16只蜜蜂进行觅食,其中初始时刻侦察蜂占一半,进行蜜源的侦查。即对DAG图对应的系统任务进行8种不同方案的软硬件划分,对图中10个结点的每一位进行随机的0、1选择,实现8种不同的DAG图的任务的分配方法。
2、将侦察蜂侦察到的食物源进行评估,评估侦察到的各食物源的适应度,即计算不同的软硬件划分方案所占用的硬件面积和时间开销,然后根据权重对硬件面积和时间开销进行加权求和,所得到的值表示适应度值,将该适应度值进行降序排列。
3、本实例采用邻域搜索方法进行搜索,其是通过将步骤2中侦查到的食物源对应的软硬件划分方案编码信息更新一位的方法实现,例如编码信息为0101010101,表示第1、3、5、7、9结点对应的任务由软件实现,其它结点任务由硬件实现,通过随机选择一位进行编码更新,假设我们随机选择了第三位,则更新后的编码信息为0111010101,表示第1、5、7、9结点对应的任务由软件实现,其它结点任务由硬件实现。然后将更新前后的方案进行评估,根据评估结果选择二者较优的划分方案。
4、选择8种更新前后的方案进行评估,从评估结果中选择各自的最优方法,计算出每个方案选择的最优方法的评估结果,并求出它们的累加和及每一种方法的评估参数所占的比重。比重越大,该方案被执行邻域搜索的可能性越大。对应于软硬件划分中,当编码信息对应的划分方案越接近最佳的软硬件划分方案时,则通过更新编码信息寻找到最佳划分方案的概率就越大,而且被执行邻域搜索的可能性越大。
5、根据步骤3中的更新规则对编码信息进行更新。
6、将更新后的编码信息对应的划分方案进行评估,选择邻域搜索后最优的划分方案。如果邻域搜索后适应度不能提高,则将记录不能提高的次数计数器加一。例如如果编码信息
0101010101对应的评估参数为a1,更新后编码信息为0111010101,其对应的评估参数为a2,如果a1>a2则保留划分方案为更新前编码0101010101对应的划分方案,同时将记录不能提高的次数计数器加一,反之则保留更新后编码信息0111010101所对应的划分方案,计数器清零。
7、按照这种方式对其它的7种方案进行方案的选择。每一种方案的最优评估参数记为a1,a2,a3,a4,a5,a6,a7,a8,从中选择最佳评估结果对应的方案作为系统此时的最优划分方案。假设a1是最佳的评估参数,其对应的编码信息为0101010101,则当前最优的实现软硬件划分的方案为,第1、3、5、7、9个结点任务由软件实现,其它结点任务由硬件实现。
将步骤7中寻找到的最佳的软硬件划分方案映射到嵌入式系统中实现任务的软硬件划分。如果对一种方案的邻域搜索累计连续不能更新次数大于最大限制次数,则对该方案对应的编码信息进行初始化。同时将其它的方案进行更新。跳至步骤3进行新的搜索。
8、判断迭代次数,结束循环。循环结束时找到的最优解即为最佳的软硬件划分方案。
Claims (6)
1.一种基于人工蜂群的软硬件划分方法,其特征在于,包括如下步骤:
1)将蜂群算法映射到软硬件划分中,完成初始化,使用蜂群的一半进行食物源的侦察;
2)将侦察到的食物源进行评估,评估侦察到食物源的适应度大小和是否满足系统本身的约束条件,即计算在软硬件划分中,该方案的硬件占用面积和时间开销,是否满足系统的要求;
3)确定食物源的搜索邻域,然后根据邻域搜索方法对步骤2)中侦察到的每一个食物源进行邻域搜索,即招募跟随蜂对这些食物源进行开采,邻域搜索方法是通过随机改变当前食物源的位置来实现对邻域食物源的寻找,即为招募跟随蜂对食物源进行开采,记录开采过程中最优食物源的位置,并计算最优食物源的适应度,对应于软硬件划分中通过随机改变软硬件划分所对应的编码信息的若干位,编码为0(1)的改变为1(0),根据评估内容,选择改变前后最佳的软硬件划分方案;
4)计算每一只跟随蜂进行邻域搜索后得到的适应度高的食物源的收益度占所有食物源适应度总和的比重,然后根据该比重采用步骤3)中邻域搜索的方法再派遣跟随蜂进行新的邻域搜索,比重越大招募的跟随蜂就越多,即按比重招募跟随蜂对这些食物源进行开采;
5)将步骤4)每只跟随蜂邻域搜索到的食物源进行评估,选择每只跟随蜂适应度最高的食物源作为当前食物源;将选出的所有当前食物源进行评估,找到全局适应度最高的食物源,即当前最佳的软硬件划分方案;
6)将剩余的蜜蜂进行新的食物源搜索和开采,同时,如果觅食过程中连续不能更新的最大搜索次数大于限制条件时,初始化该食物源,转到步骤2)直到循环次数大于系统要求的最大循环次数为止。
2.根据权利要求1所述的基于人工蜂群的软硬件划分方法,其特征在于,步骤1)中蜂群算法的初始时刻,首先将一半的蜜蜂作为侦察蜂侦查食物源,将侦查到的食物源对应的N位编码信息的每一位进行0或1等概率随机选择,其中N是大于0的整数。
3.根据权利要求1所述的基于人工蜂群的软硬件划分方法,其特征在于,步骤2)中所述的评估是在侦察蜂侦察到的所有食物源中,找出适应度最大的食物源,具体是将侦察到的食物源对应的编码信息进行评估,评估内容包括硬件占用面积,时间开销因素,以减少硬件占用面积、降低时间开销为目标进行加权得到评估结果,找出当前最佳的软硬件划分方案,即适应度最大的食物源。
4.根据权利要求1所述的基于人工蜂群的软硬件划分方法,其特征在于,在步骤4)搜索的过程中,如果邻域搜索到的食物源的适应度没有提高,则搜索次数加一,记录下所有食物源在邻域搜索时适应度不能提高的最大连续搜索次数,如果邻域搜索的食物源适应度得到提高,则该计数清零。
5.根据权利要求1所述的基于人工蜂群的软硬件划分方法,其特征在于,在步骤5)中当邻域搜索到的食物源的适应度大于当前食物源的适应度时,将邻域的食物源的编码信息赋给当前食物源,作为当前食物源的编码信息,然后进行新的邻域搜索,同时将对该食物源搜索中适应度不能提高的计数次数清零;如果邻域搜索到的食物源的适应度没有提高,则搜索计数次数加一;记录下所有食物源在邻域搜索时适应度不能提高的最大连续搜索次数;对应于软硬件划分中更新编码后,将编码方案进行评估,如果编码方案优于更新前的编码方案,则将更新后的软硬件划分方案作为当前最优的划分方案,反之,保留当前食物源,进行新的划分方案的寻找;最后,将所有蜜蜂侦察到的各自的最优食物源的适应度进行对比,找出蜂群觅食的最佳食物源,该最佳食物源对应的编码信息映射到软硬件划分中,即为最佳的软硬件划分方案。
6.根据权利要求1所述的基于人工蜂群的软硬件划分方法,其特征在于,步骤6)在对每一个食物源进行搜索的过程中,最终在全局最优的食物源处保留一只引领蜂,即记录下此时系统最优的软硬件划分方案,其它的蜜蜂变为侦察蜂或跟随蜂,从新进行食物源的搜索和开采,即进行新的软硬件划分方案的寻找;同时,将每一个食物源连续无效更新的次数进行排序,如果最大次数大于最大限制次数,则对该食物源初始化,然后转到步骤2),直到循环次数大于系统要求的最大循环次数为止;循环结束时找到的最佳食物源即为最佳的软硬件划分方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310012918.3A CN103116693B (zh) | 2013-01-14 | 2013-01-14 | 基于人工蜂群的软硬件划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310012918.3A CN103116693B (zh) | 2013-01-14 | 2013-01-14 | 基于人工蜂群的软硬件划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103116693A true CN103116693A (zh) | 2013-05-22 |
CN103116693B CN103116693B (zh) | 2015-09-30 |
Family
ID=48415066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310012918.3A Active CN103116693B (zh) | 2013-01-14 | 2013-01-14 | 基于人工蜂群的软硬件划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103116693B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572268A (zh) * | 2015-01-14 | 2015-04-29 | 天津大学 | 一种高效动态软硬件划分方法 |
CN104573369A (zh) * | 2015-01-14 | 2015-04-29 | 天津大学 | 一种基于混洗蛙跳的软硬件划分方法 |
CN104616656A (zh) * | 2014-12-25 | 2015-05-13 | 西安建筑科技大学 | 一种基于改进abc算法的朱鹮鸣声码书设计方法 |
CN108399105A (zh) * | 2018-02-27 | 2018-08-14 | 天津大学 | 一种基于改进头脑风暴算法的软硬件划分方法 |
CN108399097A (zh) * | 2018-02-27 | 2018-08-14 | 天津大学 | 一种基于双层反馈的软硬件划分方法 |
CN108415783A (zh) * | 2018-02-27 | 2018-08-17 | 天津大学 | 一种基于改进蜂群算法的异构多核任务分配方法 |
CN108573264A (zh) * | 2017-03-07 | 2018-09-25 | 中国科学院沈阳自动化研究所 | 一种基于新型蜂群聚类算法的家居行业潜在客户识别方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106788939B (zh) * | 2017-01-03 | 2020-02-21 | 重庆邮电大学 | 一种联合子载波和人工蜂群算法的ofdma自适应资源分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894273A (zh) * | 2010-05-26 | 2010-11-24 | 北京航空航天大学 | 一种基于人工蜂群优化边缘势场函数无人机目标识别方法 |
KR101134196B1 (ko) * | 2011-01-28 | 2012-04-09 | 강원대학교산학협력단 | 무선 통신 네트워크에서 abc 알고리즘을 이용하는 lap 최적 설계 방법 및 그 장치 |
CN102609612A (zh) * | 2011-12-31 | 2012-07-25 | 电子科技大学 | 一种用于多参数仪表检定的数据融合方法 |
-
2013
- 2013-01-14 CN CN201310012918.3A patent/CN103116693B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894273A (zh) * | 2010-05-26 | 2010-11-24 | 北京航空航天大学 | 一种基于人工蜂群优化边缘势场函数无人机目标识别方法 |
KR101134196B1 (ko) * | 2011-01-28 | 2012-04-09 | 강원대학교산학협력단 | 무선 통신 네트워크에서 abc 알고리즘을 이용하는 lap 최적 설계 방법 및 그 장치 |
CN102609612A (zh) * | 2011-12-31 | 2012-07-25 | 电子科技大学 | 一种用于多参数仪表检定的数据融合方法 |
Non-Patent Citations (3)
Title |
---|
亓民勇等: ""基于人工蜂群和最近邻原则的无监督聚类方法"", 《计算机应用与软件》, vol. 2012, no. 12, 31 December 2012 (2012-12-31), pages 65 - 68 * |
毕晓君等: ""一种结合人工蜂群和K-均值的混合聚类算法"", 《计算机应用研究》, vol. 29, no. 6, 30 June 2012 (2012-06-30) * |
邢冀鹏等: ""K均值聚类和模拟退火融合的软硬件划分"", 《计算机工程与应用》, vol. 2006, no. 16, 30 June 2006 (2006-06-30) * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616656A (zh) * | 2014-12-25 | 2015-05-13 | 西安建筑科技大学 | 一种基于改进abc算法的朱鹮鸣声码书设计方法 |
CN104616656B (zh) * | 2014-12-25 | 2018-06-12 | 西安建筑科技大学 | 一种基于改进abc算法的朱鹮鸣声码书设计方法 |
CN104572268A (zh) * | 2015-01-14 | 2015-04-29 | 天津大学 | 一种高效动态软硬件划分方法 |
CN104573369A (zh) * | 2015-01-14 | 2015-04-29 | 天津大学 | 一种基于混洗蛙跳的软硬件划分方法 |
CN104572268B (zh) * | 2015-01-14 | 2018-06-15 | 天津大学 | 一种高效动态软硬件划分方法 |
CN108573264A (zh) * | 2017-03-07 | 2018-09-25 | 中国科学院沈阳自动化研究所 | 一种基于新型蜂群聚类算法的家居行业潜在客户识别方法 |
CN108573264B (zh) * | 2017-03-07 | 2021-07-20 | 中国科学院沈阳自动化研究所 | 一种基于新型蜂群聚类算法的家居行业潜在客户识别方法 |
CN108399105A (zh) * | 2018-02-27 | 2018-08-14 | 天津大学 | 一种基于改进头脑风暴算法的软硬件划分方法 |
CN108399097A (zh) * | 2018-02-27 | 2018-08-14 | 天津大学 | 一种基于双层反馈的软硬件划分方法 |
CN108415783A (zh) * | 2018-02-27 | 2018-08-17 | 天津大学 | 一种基于改进蜂群算法的异构多核任务分配方法 |
CN108399105B (zh) * | 2018-02-27 | 2021-05-04 | 天津大学 | 一种基于改进头脑风暴算法的软硬件划分方法 |
CN108415783B (zh) * | 2018-02-27 | 2021-12-07 | 天津大学 | 一种基于改进蜂群算法的异构多核任务分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103116693B (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103116693B (zh) | 基于人工蜂群的软硬件划分方法 | |
Nseef et al. | An adaptive multi-population artificial bee colony algorithm for dynamic optimisation problems | |
Han et al. | A novel data clustering algorithm based on modified gravitational search algorithm | |
Li et al. | A hybrid cuckoo search via Lévy flights for the permutation flow shop scheduling problem | |
Cai et al. | Solving nonlinear water management models using a combined genetic algorithm and linear programming approach | |
Ezugwu | Enhanced symbiotic organisms search algorithm for unrelated parallel machines manufacturing scheduling with setup times | |
Kong et al. | An improved artificial bee colony algorithm based on elite group guidance and combined breadth-depth search strategy | |
Weber et al. | Distributed differential evolution with explorative–exploitative population families | |
Xu et al. | A multiple priority queueing genetic algorithm for task scheduling on heterogeneous computing systems | |
CN104573369A (zh) | 一种基于混洗蛙跳的软硬件划分方法 | |
Bhatt et al. | Genetic algorithm applications on job shop scheduling problem: A review | |
Sassi et al. | A decomposition-based artificial bee colony algorithm for the multi-objective flexible jobshop scheduling problem | |
Sattar et al. | Ramp rate handling strategies in dynamic economic load dispatch (DELD) problem using grey wolf optimizer (GWO) | |
Wei et al. | A multi-objective migrating birds optimization algorithm based on game theory for dynamic flexible job shop scheduling problem | |
Singh et al. | Study of variation in TSP using genetic algorithm and its operator comparison | |
Rameshkumar et al. | Cost, emission and reserve pondered pre‐dispatch of thermal power generating units coordinated with real coded grey wolf optimisation | |
CN104573814A (zh) | 一种基于多目标混洗蛙跳的软硬件划分方法 | |
Zhang et al. | Multi-hive artificial bee colony algorithm for constrained multi-objective optimization | |
Rezende et al. | A greedy ant colony system for defensive resource assignment problems | |
Cortés Rivera et al. | Cultural algorithms, an alternative heuristic to solve the job shop scheduling problem | |
Souravlias et al. | Parallel algorithm portfolios with performance forecasting | |
Sadeghi et al. | Using bees algorithm to solve the resource constrained project scheduling problem in PSPLIB | |
Asiri et al. | Short-Term Load Forecasting in Smart Grids using Hybrid Deep Learning | |
Yang et al. | Cultural algorithm-based quantum-behaved particle swarm optimization | |
Kommenda et al. | Genetic programming with data migration for symbolic regression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |