CN105205033B - 一种基于应用划分的片上网络ip核映射方法 - Google Patents
一种基于应用划分的片上网络ip核映射方法 Download PDFInfo
- Publication number
- CN105205033B CN105205033B CN201510654741.6A CN201510654741A CN105205033B CN 105205033 B CN105205033 B CN 105205033B CN 201510654741 A CN201510654741 A CN 201510654741A CN 105205033 B CN105205033 B CN 105205033B
- Authority
- CN
- China
- Prior art keywords
- network
- bee
- kernel
- sub
- food source
- 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.)
- Active
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于应用划分的片上网络IP核映射方法,包括以下步骤:步骤一、根据应用确定通信核图和拓扑结构图,并对IP核和网络节点编号;步骤二、确定优化目标,经人工蜂群算法将单个应用所需IP核分配到网络中得到子网络;步骤三、从组成子网络的四个边中选择与其余部分通信量最大的一个边,并将原有的子网络作为已知条件,在该边的相邻处再用蜂群算法设计新子网络;步骤四、根据子网络同时运行的应用数量,选择最优的IP核进行通信。本发明基于应用划分片上网络的IP核,在保证良好的多应用并行处理条件下,能够充分利用重复的IP核资源优化单应用性能,同时降低单应用运行时的能耗。
Description
技术领域
本发明涉及一种片上IP核到网络节点的映射方法,具体涉及一种基于应用划分的片上网络IP核映射方法。
背景技术
随着集成电路工艺的飞速发展,芯片上集成的晶体管越来越多,使得设计人员能够将不同功能的模块单元集成到同一个芯片上,形成了片上系统(System on Chip,SoC)。SoC采用具有可重用性的知识产权(Intellectual Property,IP)核,提高了系统的设计效率,缩短了系统的设计周期。然而,当前SoC中普遍采用的传统总线结构不能充分适应这一发展趋势。片上网络(Network on Chip,NoC)因为其良好的并行性,可扩展性和模块化设计而得到越来越多的重视。片上网络设计的关键问题主要包括有:拓扑结构的选择,路由算法的设计,交换机制的选择以及映射优化等。映射优化是将一个应用映射到NoC拓扑结构上,保证应用顺利完成,并且针对特定优化目的实现开销最小。映射优化是NoC设计中的关键一步,它影响着网络的时延,能耗等性能指标。在软硬件协调设计中已经很好地解决了任务的分配和调度问题,因此需要将重点放在IP核到网络节点的分配问题上。NoC映射问题已经被证明为NP-hard问题,属于二次分配问题范畴,当IP核总数为N时,将会有总共N!种映射方案。
片上网络规模正在不断增大,单一功能模块不再仅限于一个,模块间的通信也将更加灵活。然而当前的映射算法并没有针对这一情况进行优化,例如在原来的制造工艺下,一个芯片只能集成8个IP核实现单视频流硬件处理应用,现在由于工艺的进步,IP核以及内部连线所需面积变小,芯片上可以集成16个IP核,能够完成双屏显示视频流硬件处理并行应用,然而当前算法只是针对原有的单任务应用进行优化算法,仅将原有的映射好的8个IP核直接复制以实现双应用并行处理,资源浪费较大,能耗较高。
发明内容
本发明的目的在于针对上述现有技术中的缺陷,提供一种基于应用划分的片上网络IP核映射方法,通过重复的IP核实现多应用并行处理。
为了实现上述目的,本发明采用的技术方案为,包括以下步骤:
步骤一、根据应用确定通信核图和拓扑结构图,并对IP核和网络节点编号;
步骤二、确定优化目标,经人工蜂群算法将单个应用所需IP核分配到网络中得到子网络;
步骤三、从组成子网络的四个边中选择与其余部分通信量最大的一个边,并将原有的子网络作为已知条件,在该边的相邻处再用蜂群算法设计新子网络;
步骤四、根据子网络同时运行的应用数量,选择最优的IP核进行通信。
所述的步骤一中依次对应用的IP核从m1到mNc按列优先排列并编号为m1,……,mi,……,mNc,Nc为IP核的数量;通过N2的矩阵描述应用的通信核图,确定IP核间传送的流量B={bi→j|1≤i,j≤N},其中,bi→j描述IP核mi发送给IP核mj的流量,如果某对IP核间不存在通信则用0表示;
在R×C的2D Mesh网络中,若用一组二维坐标(xi,yi)表示IP核mi在该2D Mesh网络中的位置,则xi=mod(i-1,R)+1,yi=[(i-1)/R]+1,其中,R表示网络的行数,C为网络的列数,[·]表示对变量·进行向下取整。
通过跳数来度量网络能耗,网络能耗为Dist(mi,mj)是mi和mj间的曼哈顿距离;
在采用最短路由的2D Mesh网络中,Dist(mi,mj)=|xi-xj|+|yi-yj|。
根据网络能耗确立收益度评价函数为Fitness(x)=1/Energy(x)。
所述的人工蜂群算法将单个应用所需IP核分配到网络中包括:
1)定义种群中个体数目PopSize,最大迭代次数MaxIter,引领蜂所占种群比例LProb,跟随蜂所占种群比例FProb,侦查蜂所占种群比例SProb;
通过随机生成PopSize个映射构成初始种群P(p1,…,pn,…pPopSize),每个映射解陷入局部最优的次数Trial=(trail1,......,trailn,......,trailPopSize)=(0,......,0,......,0),随机生成最佳映射BestM初始化当前迭代次数CurIter=1;
2)根据优化目的计算每个映射的收益度Fitness(pn),并按照收益度从高到低将个体排序,按照蜜蜂执行任务的不同将其分类为引领蜂,跟随蜂和侦查蜂;检查将种群X中的第一行的映射方案是否优于最佳映射BestM,若是则替换BestM;
3)各类蜜蜂分别执行相应操作,分别为,
3.1)引领蜂是在下一轮搜索前存储着当前最佳映射方案的蜜蜂,它们的主要任务是招募跟随蜂与其前往指定的食物源进行邻域搜索;引领蜂将其得到的食物源分享给跟随蜂,然后到食物源附近进行邻域搜索,如果新发现的食物源优于原先的食物源,就按照贪婪准则替换掉原有的食物源,否则依旧存储原来的食物源信息;其中,食物源即映射方案,邻域搜索是在食物源附近产生新的随机解,其与原食物源的距离小于规定的距离;采用随机选择原映射方案中的两个IP核,交换其位置的方法进行邻域搜索;
3.2)跟随蜂从引领蜂处获得食物源相关信息,根据下式判断是否跟随引领蜂邻域搜索,
其中prok是跟随蜂决定跟随第k个引领蜂的概率,PopSize×LProb是引领蜂的总数量;
当跟随蜂决定跟随某个引领蜂时,它将前往该引领蜂对应食物源进行邻域搜索,方法与引领蜂相同,同样地,如果新发现的食物源优于原先的食物源,就按照贪婪准则替换掉原有的食物源,否则依旧存储原来的食物源信息;
3.3)侦查蜂使用贪婪准则在整个映射空间中产生新的随机映射,存储发现的最佳食物源;
4)判断每个个体的triali是否大于等于Limit,若是,则强制将该个体Xi转换为侦查蜂,即随机生成新的映射,否则triali=triali+1;
5)检查当前CurIter是否达到最大迭代次数MaxIter,若是则输出BestM中的映射,否则CurIter=CurIter+1,然后执行步骤2。
所述的步骤2)中引领蜂占种群50%,跟随蜂占种群40%,侦查蜂占种群10%。
所述的步骤二中优化目标包括降低能耗或降低延时。
步骤三中若新子网络在单应用运行时能耗高于原子网络,则放弃该子网络,并复制原子网络以替换新子网络;若新子网络在单应用运行时能耗低于原子网络,则保留该新子网络。
步骤四中如果同时运行的应用数量等于子网络数,则每个应用在各自的子网络内运行;如果同时运行的应用数量小于子网络数,则选择在新设计的子网络中运行。
与现有技术相比,本发明具有如下有益效果:通过采用人工蜂群算法将单个应用所需IP核分配到网络中得到子网络,多次将原有子网络作为已知条件通过蜂群算法设计另一个子网络,从而设计出多应用并列运行的片上网络,最终根据子网络同时运行的应用数量,选择出最优的IP核进行通信,因此,在保证良好的多应用并行处理条件下,本发明能够充分利用重复的IP核资源优化单应用性能,同时降低单应用运行时的能耗。
附图说明
图1本发明映射方法的整体流程图
图2本发明以多媒体系统视频为例实施的通信核图
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明基于应用划分的片上网络IP核映射方法主要包括以下步骤,参见图1:
步骤1,根据应用确定通信核图和拓扑结构图,对IP核和网络节点编号,确定优化目标。
1.1)选择需要映射的应用,确定其通信核图及其IP核数量Nc,并依次对IP核编号m1-mNc。
通信核图是对网络中IP核间的通信量的描述。通常,通信核图被描述成一个通信需求矩阵或者用其他相等的图形表示,它指明每一对IP核间的通信量。如在一个具有N个IP核的网络中,用一个N2的矩阵描述通信核图,矩阵中的每一个数值指明一对IP核间传送的流量。
B={bi→j|1≤i,j≤N}
其中bi→j描述IP核mi发送给IP核mj的流量,如果这对IP核间不存在通信则用0表示。
1.2)映射编码x=(m1,……,mi,……,mNc)表示IP核mi映射到网络节点ni。在一个R×C的2D Mesh网络中(R表示网络的行数,C为网络的列数),按列优先排列,若用一组二维坐标(xi,yi)表示网络节点ni,则xi=mod(i-1,R)+1,其中表示对变量x进行向下取整。如将一个12核的通信核图映射到4×3的网络节点上,映射编码x=(5,8,9,1,4,10,11,2,12,3,6,7)表示将IP核m5被映射到网络节点n1即(1,1),IP核m8被映射到网络节点n2即(2,1),……IP核m7映射到网络节点n12即(4,3)。
1.3)可以以降低能耗,低延时或者其他目的为优化目标。这里以低能耗为优化目标。因为大部分的能耗模型都与通信跳数直接相关,于是直接使用跳数度量网络能耗:
其中bi→j是IP核mi发送给IP核mj的通信量,Dist(mi,mj)是mi和mj间的曼哈顿距离。在采用最短路由的2D Mesh网络中,Dist(mi,mj)=|xi-xj|+|yi-yj|;
收益度评价函数为Fitness(x)=1/Energy(x)。
步骤2,使用人工蜂群算法将单个应用所需的IP核分配到网络中,并称之为子网络。
2.1)对映射算法初始化,定义种群中个体数目PopSize,最大迭代次数MaxIter,引领蜂所占种群比例LProb,跟随蜂所占种群比例FProb,侦查蜂所占种群比例SProb,通过随机生成PopSize个映射以构成初始种群X(x1,……,xi,……,xPopSize),每个映射解陷入局部最优的次数Trial=(trail1,……,trail i,……,trail PopSize)=(0,……,0,……,0),随机生成最佳映射BestM初始化当前迭代次数CurIter=1。
2.2)根据优化目的计算每个映射的收益度Fitness(xi),并按照收益度从高到低将个体排序,按照各类蜜蜂所占种群比例分别归类为引领蜂,跟随蜂和侦查蜂。
检查将种群X中的第一行的映射方案是否优于最佳映射BestM,若是则替换BestM。
2.3)各类蜜蜂分别执行相应操作。
2.3.1)引领蜂是在下一轮搜索前存储着当前最佳映射方案的蜜蜂,它们的主要任务是招募跟随蜂与其前往指定的食物源进行邻域搜索。引领蜂将其得到的食物源(映射方案)分享给跟随蜂,然后到食物源附近进行邻域搜索,如果新发现的食物源优于原先的食物源,就按照贪婪准则替换掉原有的食物源,否则依旧存储原来的食物源信息。其中邻域搜索是在食物源附近产生新的随机解,其与原食物源的距离小于规定的距离。在这里我们采用随机选择原映射方案中的两个IP核,交换其位置的方法进行邻域搜索。
2.3.2)跟随蜂从引领蜂处获得食物源相关信息,根据下式判断是否跟随引领蜂前往进行邻域搜索。其选择概率按下式计算:
其中Pi是跟随蜂决定跟随第i个引领蜂的概率,PopSize×LProb是引领蜂的总数量。
当跟随蜂决定跟随某个引领蜂时,它将前往该引领蜂对应食物源进行邻域搜索,方法与引领蜂相同。同样地,如果新发现的食物源优于原先的食物源,就按照贪婪准则替换掉原有的食物源,否则依旧存储原来的食物源信息。
2.3.3)侦查蜂会在整个映射空间中产生新的随机映射,保证算法具有较强的全局搜索能力。侦查蜂操作同样使用贪婪准则,只存储自己发现的最佳食物源。
2.4)判断每个个体的triali是否大于等于Limit,若是则强制将该个体Xi转换为侦查蜂,即随机生成新的映射,否则triali=triali+1。
2.5)检查当前CurIter是否达到最大迭代次数MaxIter,若是则输出BestM中的映射,否则CurIter=CurIter+1,然后执行步骤2.2。
步骤3,从子网络的4个边中选则与剩余部分通信量最大的一个边,将原有的子网络作为已知条件,在该相邻处再用蜂群算法设计另一个子网络。
3.1)如果选择的边为上边,则要设计的新网络变为2R×C的2D Mesh网络,其下半部分为原子网络。如果选择的边为下边,则要设计的新网络变为2R×C的2D Mesh网络,其上半部分为原子网络。如果选择的边为左边,则要设计的新网络变为R×2C的2D Mesh网络,其右半部分为原子网络。如果选择的边为右边,则要设计的新网络变为R×2C的2D Mesh网络,其左半部分为原子网络。
3.2)使用步骤2所述的基于人工蜂群的映射算法将Nc个IP核分配到剩下的R×C个网络节点上。其中,收益度评价函数需要适当修改,例如IP核mi要和IP核mj通信,mi需要比较2个mj中哪一个和自己的距离近并选择它。
3.3)选择是否采用新设计的子网络。如果新设计的子网络在单应用运行时能耗高于原子网络,则放弃该子网络,复制原子网络以替换新的子网络。如果新设计的子网络在单应用运行时能耗低于原子网络,则保留该子网络。
步骤4,根据同时运行的应用数量,选择最优的IP核通信。
4.1)判断同时运行的应用数量,如果等于子网络数,则每个应用在各自的子网络内运行,如果等于小于子网络数,则优先选择在新设计的子网络中运行。
参见图2,以将多媒体系统视频(Multi Media System,MMS)应用映射到6×3的2DMesh网络为例进行仿真实验,将IP核C1-C18依次编号1-18,每条边连接了通信的IP核,箭头所指方向为每对IP核流量传送方向,各边权重代表所连接的一对IP核的通信量,重复运行该算法5次,记录每次运行结果,实施结果如下:
第1次结果:
第一个子网络:[7,15,11,3,10,12,8,16,9,17,6,1,13,4,14,5,2,18]
第二个子网络:[11,3,15,7,13,8,9,17,6,12,1,16,14,5,10,2,18,4]
单应用运行时功耗为7523.7单位,双应用并行运行时功耗为15238.6单位,总网络规模为6×6,子网络1在左面,子网络2在右面,其中子网络1功耗为7688.1单位,子网络2功耗为7550.5单位。
第2次结果:
第一个子网络:[15,11,3,6,10,2,14,9,8,17,1,18,7,4,16,5,12,13]
第二个子网络:[2,10,6,16,8,4,18,1,17,9,11,3,13,12,5,14,15,7]
单应用运行时功耗为7508.1单位,双应用并行运行时功耗为15074.6单位,总网络规模为12×3,子网络1在下面,子网络2在上面,其中子网络1功耗为7566.5单位,子网络2功耗为7508.1单位。
第3次结果:
第一个子网络:[13,7,15,10,12,2,16,8,11,3,1,18,4,14,9,6,17,5]
第二个子网络:[11,3,10,12,2,13,9,17,6,1,18,15,14,5,8,16,4,7]
单应用运行时功耗为7747.3单位,双应用并行运行时功耗为16083.4单位,总网络规模为12×3,子网络1在上面,子网络2在下面,其中子网络1功耗为8110.5单位,子网络2功耗为7972.9单位。
第4次结果:
第一个子网络:[2,10,6,16,8,4,18,1,17,9,11,3,13,12,5,14,15,7]
第二个子网络:[2,10,6,16,8,4,18,1,17,9,11,3,13,12,5,14,15,7]
单应用运行时功耗为7508.1单位,双应用并行运行时功耗为15016.2单位,总网络规模为6×6,子网络1在左面,子网络2在右面,其中子网络1功耗为7508.1单位,子网络2功耗为7508.1单位。
第5次结果:
第一个子网络:[7,15,6,13,10,2,3,11,17,12,1,18,14,9,5,8,16,4]
第二个子网络[4,13,14,5,6,10,16,7,9,17,12,2,8,15,11,3,1,18]
单应用运行时功耗为7641.6单位,双应用并行运行时功耗为15657.6单位,总网络规模为12×3,子网络1在下面,子网络2在上面,其中子网络1功耗为7906.0单位,子网络2功耗为7751.6单位。
从仿真结果来看,适用于多应用的基于人工蜂群的映射算法可以保证网络具有较好的多应用并行运行能耗,同时进一步降低单应用运行时的能耗。在MMS双应用下,平均单应用运行能耗为总能耗的49.21%,相比于网络中能耗最优的子网络,能耗进一步降低0.92%。
Claims (6)
1.一种基于应用划分的片上网络IP核映射方法,其特征在于,包括以下步骤:
步骤一、根据应用确定通信核图和拓扑结构图,并对IP核和网络节点编号;
所述的步骤一中依次对应用的IP核从m1到mNc按列优先排列并编号为m1,......,mi,......,mNc,Nc为IP核的数量;通过N2的矩阵描述应用的通信核图,确定IP核间传送的流量B={bi→j|1≤i,j≤N},其中,bi→j描述IP核mi发送给IP核mj的流量,如果某对IP核间不存在通信则用0表示;
在R×C的2D Mesh网络中,若用一组二维坐标(xi,yi)表示IP核mi在该2D Mesh网络中的位置,则xi=mod(i-1,R)+1,yi=[(i-1)/R]+1,其中,R表示网络的行数,C为网络的列数,[·]表示对变量·进行向下取整;
通过跳数来度量网络能耗,网络能耗为是mi和mj间的曼哈顿距离;
根据网络能耗确立收益度评价函数为Fitness(x)=1/Energy(x);
步骤二、确定优化目标,经人工蜂群算法将单个应用所需IP核分配到网络中得到子网络;
所述的人工蜂群算法将单个应用所需IP核分配到网络中包括:
1)定义种群中个体数目PopSize,最大迭代次数MaxIter,引领蜂所占种群比例LProb,跟随蜂所占种群比例FProb,侦查蜂所占种群比例SProb;
通过随机生成PopSize个映射构成初始种群P(p1,…,pn,…pPopSize),每个映射解陷入局部最优的次数Trial=(trail1,......,trailn,......,trailPopSize)=(0,......,0,......,0),随机生成最佳映射BestM初始化当前迭代次数CurIter=1;
2)根据优化目的计算每个映射的收益度Fitness(pn),并按照收益度从高到低将个体排序,按照蜜蜂执行任务的不同将其分类为引领蜂,跟随蜂和侦查蜂;检查将种群X中的第一行的映射方案是否优于最佳映射BestM,若是则替换BestM;
3)各类蜜蜂分别执行相应操作,分别为,
3.1)引领蜂是在下一轮搜索前存储着当前最佳映射方案的蜜蜂,它们的主要任务是招募跟随蜂与其前往指定的食物源进行邻域搜索;引领蜂将其得到的食物源分享给跟随蜂,然后到食物源附近进行邻域搜索,如果新发现的食物源优于原先的食物源,就按照贪婪准则替换掉原有的食物源,否则依旧存储原来的食物源信息;其中,食物源即映射方案,邻域搜索是在食物源附近产生新的随机解,其与原食物源的距离小于规定的距离;采用随机选择原映射方案中的两个IP核,交换其位置的方法进行邻域搜索;
3.2)跟随蜂从引领蜂处获得食物源相关信息,根据下式判断是否跟随引领蜂邻域搜索,
其中prok是跟随蜂决定跟随第k个引领蜂的概率,PopSize×LProb是引领蜂的总数量;
当跟随蜂决定跟随某个引领蜂时,它将前往该引领蜂对应食物源进行邻域搜索,方法与引领蜂相同,同样地,如果新发现的食物源优于原先的食物源,就按照贪婪准则替换掉原有的食物源,否则依旧存储原来的食物源信息;
3.3)侦查蜂使用贪婪准则在整个映射空间中产生新的随机映射,存储发现的最佳食物源;
4)判断每个个体的triali是否大于等于Limit,若是,则强制将该个体Xi转换为侦查蜂,即随机生成新的映射,否则triali=triali+1;
5)检查当前CurIter是否达到最大迭代次数MaxIter,若是则输出BestM中的映射,否则CurIter=CurIter+1,然后执行步骤2);
步骤三、从组成子网络的四个边中选择与其余部分通信量最大的一个边,并将原有的子网络作为已知条件,在该边的相邻处再用蜂群算法设计新子网络;
步骤四、根据子网络同时运行的应用数量,选择最优的IP核进行通信。
2.根据权利要求1所述的基于应用划分的片上网络IP核映射方法,其特征在于:在采用最短路由的2D Mesh网络中,Dist(mi,mj)=|xi-xj|+|yi-yj|。
3.根据权利要求1所述的基于应用划分的片上网络IP核映射方法,其特征在于:所述的步骤2)中引领蜂占种群50%,跟随蜂占种群40%,侦查蜂占种群10%。
4.根据权利要求1所述的基于应用划分的片上网络IP核映射方法,其特征在于:所述的步骤二中优化目标包括降低能耗或降低延时。
5.根据权利要求1所述的基于应用划分的片上网络IP核映射方法,其特征在于:步骤三中若新子网络在单应用运行时能耗高于原子网络,则放弃该子网络,并复制原子网络以替换新子网络;若新子网络在单应用运行时能耗低于原子网络,则保留该新子网络。
6.根据权利要求1所述的基于应用划分的片上网络IP核映射方法,其特征在于:步骤四中如果同时运行的应用数量等于子网络数,则每个应用在各自的子网络内运行;如果同时运行的应用数量小于子网络数,则选择在新设计的子网络中运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510654741.6A CN105205033B (zh) | 2015-10-10 | 2015-10-10 | 一种基于应用划分的片上网络ip核映射方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510654741.6A CN105205033B (zh) | 2015-10-10 | 2015-10-10 | 一种基于应用划分的片上网络ip核映射方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105205033A CN105205033A (zh) | 2015-12-30 |
CN105205033B true CN105205033B (zh) | 2018-11-13 |
Family
ID=54952726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510654741.6A Active CN105205033B (zh) | 2015-10-10 | 2015-10-10 | 一种基于应用划分的片上网络ip核映射方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205033B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108132838B (zh) | 2016-11-30 | 2021-12-14 | 华为技术有限公司 | 一种图数据处理的方法、装置及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130262679A1 (en) * | 2012-03-28 | 2013-10-03 | Broadcom Corporation | Dataset Processing Using Network Performance Information |
-
2015
- 2015-10-10 CN CN201510654741.6A patent/CN105205033B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508935A (zh) * | 2011-09-22 | 2012-06-20 | 南京大学 | 一种基于蚁群混沌遗传算法的片上网络映射方法 |
Non-Patent Citations (1)
Title |
---|
基于群体智能的片上网络映射算法研究;邓植;《中国优秀硕士学位论文全文数据库信息科技辑》;20130415;摘要,正文第20,23-32,43-45,55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105205033A (zh) | 2015-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105900403B (zh) | 软件定义网络中的分区系统和方法 | |
CN111082949B (zh) | 一种类脑计算机中脉冲数据包高效传输方法 | |
CN1153417C (zh) | 基于穿通-末端网络模型的路由协议测试方法及系统 | |
CN103036792B (zh) | 一种最大化最小公平多数据流传输调度方法 | |
CN112181867B (zh) | 基于多目标遗传算法的片上网络内存控制器布局方法 | |
CN104486807B (zh) | 一种小规模无线传感器网络的路由方法 | |
CN112468401A (zh) | 用于类脑处理器的片上网络路由通信方法及片上网络 | |
CN103761212B (zh) | 片上网络中任务与节点间映射方案与拓扑结构的设计方法 | |
CN114492770A (zh) | 一种面向循环脉冲神经网络的类脑计算芯片映射方法 | |
CN105391490B (zh) | 一种基于认知的卫星通信网络选择算法 | |
CN105205033B (zh) | 一种基于应用划分的片上网络ip核映射方法 | |
CN109962867A (zh) | 一种片上网络分支界定任务映射方法 | |
Pascual et al. | Optimization-based mapping framework for parallel applications | |
Yang et al. | Research on cognitive radio engine based on genetic algorithm and radial basis function neural network | |
Wu et al. | Improving scalability of software cloud for composite web services | |
CN104079439B (zh) | 一种基于离散萤火虫算法的片上网络映射方法 | |
Touati et al. | FACARS: A novel fully adaptive congestion aware routing scheme for network on chip | |
CN112001141B (zh) | 脑网络启发的中大规模片上互连系统综合方法 | |
Huang et al. | A novel mapping algorithm for three-dimensional network on chip based on quantum-behaved particle swarm optimization | |
CN110336694B (zh) | 基于Petri网与IFA的3D NoC测试调度方法 | |
Soumya et al. | Area-performance trade-off in floorplan generation of Application-Specific Network-on-Chip with soft cores | |
Tiwari et al. | Efficient on-chip multicast routing based on dynamic partition merging | |
Ge et al. | Synthesizing a generalized brain-inspired interconnection network for large-scale network-on-chip systems | |
Johari et al. | Master-based routing algorithm and communication-based cluster topology for 2D NoC | |
CN108737158B (zh) | 基于最小生成树的社交网络层次化社区发现方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |