CN109726479B - 一种三维片上网络垂直通道的部署方法 - Google Patents
一种三维片上网络垂直通道的部署方法 Download PDFInfo
- Publication number
- CN109726479B CN109726479B CN201811636711.2A CN201811636711A CN109726479B CN 109726479 B CN109726479 B CN 109726479B CN 201811636711 A CN201811636711 A CN 201811636711A CN 109726479 B CN109726479 B CN 109726479B
- Authority
- CN
- China
- Prior art keywords
- chip
- vertical channel
- dimensional network
- solution
- vertical
- 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
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种三维片上网络垂直通道的部署方法,属于芯片集成领域。针对现有技术中存在的三维片上网络垂直通道的部署方法效率低、延时高的问题,本发明提供了一种三维片上网络垂直通道的部署方法,该方法采用遗传算法对垂直通道的数量和位置进行优化,然后对于全局搜索中搜索到的垂直通道的数量和位置,再通过局部搜索方法‑禁忌搜索算法获得在该数量和位置下垂直通道的最优分配。它可以实现三维片上网络平均网络延时更低、饱和吞吐率更高的效果,提高不完全连接的三维片上网络的性能,同时降低其实现的成本。
Description
技术领域
本发明涉及芯片集成领域,更具体地说,涉及一种三维片上网络垂直通道的部署方法。
背景技术
三维集成技术是实现延续摩尔定律(“More Moore”)和超越摩尔定律(“More ThanMoore”)的一种实用、有效且具有突破性的技术。三维集成通过垂直互连和芯片堆叠带来诸多好处,例如更高的性能、更低的功耗、更高的带宽、更高的封装密度和更小的面积。硅通孔(Through-Silicon-Via,TSV)是最为看好的垂直互连技术。正是因为其技术可行性高、制造复杂度低以及相较而言成本较低,基于TSV的技术得到了广泛的应用。
三维片上网络是片上网络技术与三维集成技术的结合,它在网络性能和功耗方面都比二维片上网络有极大的改善。之前的许多工作大多专注于完全连接的三维片上网络的研究。在完全连接的三维片上网络中,每一层上的每个路由器分别有两组TSV连接其上下两个相邻节点,这意味着TSV的数量由垂直通道的位宽和路由器的数量决定。因此,对于具有大量路由器的完全连接的三维片上网络,其所需的TSV的数量将是巨大的。然而,由于芯片制造的良品率和TSV占用的硅面积是TSV数量的函数,所以为了提高芯片制造的良品率、降低TSV带来的成本,在实际的芯片制造过程中必须对TSV的数量进行一定的限制,即减少垂直通道的数量。本发明研究了不完全连接的三维片上网络,在该架构下,每一层上只有部分路由器是与其垂直方向的相邻节点间有垂直通道的。不完全连接的三维片上网络的研究对于三维片上网络的实际应用具有重要的意义。
发明内容
1.要解决的技术问题
针对现有技术中存在的三维片上网络垂直通道的部署方法效率低、延时高的问题,本发明提供了一种三维片上网络垂直通道的部署方法,它可以实现三维片上网络平均网络延时更低、饱和吞吐率更高的效果,提高不完全连接的三维片上网络的性能,同时降低其实现的成本。
2.技术方案
本发明的目的通过以下技术方案实现。
一种三维片上网络垂直通道的部署方法,采用遗传算法对垂直通道的数量和位置进行优化,然后对于全局搜索中搜索到的垂直通道的数量和位置,再通过禁忌搜索算法获得在该数量和位置下垂直通道的最优分配。
更进一步的,遗传算法中将垂直通道的位置用染色体进行如下表示:将对应垂直通道的数量和位置的一个解编码为一串二进制数字的有序序列,其中每个基因代表一个可选的垂直通道的位置,基因i处的值为‘1’,这意味着路由器i处存在垂直通道,如果基因值为‘0’的话,则表示该路由器位置上没有垂直通道,i为自然数。
更进一步的,对于一个规模为m×n×k的对齐或者不对齐的三维片上网络,一个染色体中的基因的数量分别是m×n和m×n×(k-1)。
更进一步的,禁忌搜索算法步骤如下:1)对问题编码,设置目标函数;2)产生初始解,置空禁忌表;3)生成当前解的领域,根据目标函数对候选解进行评价,选出候选解;4)判断候选解是否满足藐视准则,若满足则替换最早进入禁忌表的对象,更新最优解;5)判断候选解是否在禁忌表中,若在禁忌表中,则用当前解重新生成领域解,重复步骤3-步骤5;6)当迭代发现的最好解无法改进或者达到确定迭代步数时,禁忌搜索算法终止。
更进一步的,垂直通道的数量和位置的优化目标函数为Obj=αLAvgHops+βSDtraffic,LAvgHops为网络的平均延时,SDtraffic为路由器流量负载的标准差,其中α和β是权重,且α+β=1,α、β范围为(0-1)。
更进一步的,网络的平均延时其中fij是源节点i和目的节点j之间的通信频率,fij∈(0,1),N是三维片上网络中总的节点数,Dis(i,j)表示节点i和j之间的曼哈顿距离。
更进一步的,流量负载的标准差SDtraffic表示网络流量分布的均匀性,其中Ti和Tavg分别是路由器i的流量负载和平均流量负载,N是三维片上网络中总的节点数,i为源节点。
更进一步的,在用于垂直通道分配优化的禁忌搜索算法中,所求解被编码成元素大小从1到Count的一个有序整数序列,其中Count是垂直通道的数量,整数表示垂直通道的序号,另外垂直通道的序号和它对应的实际位置都保存在一个查找表中,本发明可以根据序号找到对应的垂直通道的位置。
更进一步的,在用于垂直通道分配优化的禁忌搜索算法中,定义解B为解A的最近邻解,当且仅当B的有序序列中有且只有一个整数与解A的不同,且其差值为1或-1。
3.有益效果
相比于现有技术,本发明的优点在于:
本发明的部署方法可以提高不完全连接的三维片上网络的性能,同时降低其实现的成本。经典的优化方法在一次仿真过程中最多只能找到一个解,因而这些方法不利于去求解多目标优化的问题。本发明的部署方法可以在一次模拟运行中找到多个最优解。此外,该方法不需要用户事先对多个目标的优先级进行划分、缩放或者分配权重。本发明采用遗传算法和禁忌搜索算法的混合算法寻找帕累托最优解。帕累托最优解可以提供给设计人员在不同的垂直通道数目下最优的位置选择。经过本发明方法优化过的拓扑结构比随机生成的拓扑结构的平均网络延时更低、饱和吞吐率更高。综上所述,本发明可以有效地解决不完全连接的三维片上网络中垂直通道如何部署的问题,有效降低芯片成本,有着良好的实际应用价值。
附图说明
图1为本方法流程图。
图2为两种类型的不完全连接的三维片上网络(a)垂直通道上下对齐(b)垂直通道上下不对齐。
图3为垂直通道分配方式的解码示例(a)分配方式的编码(b)查找表(c)垂直通道对齐的三维片上网络示例。
图4为一个解的最近邻解的示例。
图5为垂直通道数量和网络性能的帕累托图。
图6为垂直通道数为8的情况下不同拓扑结构下的平均网络延时。
图7为垂直通道数为12的情况下不同拓扑结构下的平均网络延时。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
实施例1
本实施例的三维片上网络垂直通道的最优部署方法,是为了将遗传算法的多目标的全局搜索能力和禁忌算法的强大的局部搜索能力结合起来。采用遗传算法主要是对垂直通道的数量和位置进行优化。对于全局搜索中得到的垂直通道的数量和位置,再通过局部搜索方法——禁忌搜索算法获得在该数量和位置下垂直通道的最优分配。
遗传算法通常开始于一个随机生成的个体组成的种群,然后经过多次迭代,种群每次迭代称为一代,迭代过程包括:适应度评价、选择、交叉、变异过程。在适应度评价阶段,通过禁忌搜索算法对种群中每个个体的适应度进行评估。在选择阶段,从种群中选择具有高适应度的个体基因组用于之后的繁殖。然后,通过交叉和变异操作的组合,可以从选择的基因组中产生第二代种群。接着在下一次的迭代中使用新一代的候选解继续上述过程。通常,当迭代的代数超过了设置的最大代数的时候,或者种群的适应度达到要求的水平的时候,遗传算法终止迭代。
本发明中将遗传算法和禁忌搜索算法的混合算法应用于垂直通道最优位置确定的过程参见流程图1。首先随机生成大小为Npop的父种群P0,然后应用禁忌搜索算法解决垂直通道的最优分配问题;接着基于上述垂直通道的最优分配评估适应度值,判断是否满足条件,是,则结束部署,否则进行选择、交叉、变异后,回到应用禁忌搜索算法解决垂直通道的最优分配问题的步骤继续循环,其中选择是根据适应度的值进行排序,选择其中适应度值高的染色体,交叉是对选择得到的染色体两两交换若干基因,而变异则是以一定的概率对染色体中若干基因位进行0和1的转换。
遗传算法是在对求解问题进行编码的基础上运行,而不能对未经编码的问题本身进行求解。本发明中将垂直通道的位置用染色体进行如下表示:将对应垂直通道的数量和位置的一个解编码为一串二进制数字的有序序列,其中每个基因代表一个可选的垂直通道的位置。例如,基因i处的值为‘1’,这意味着路由器i处存在垂直通道,如果基因值为‘0’,则表示该路由器位置上没有垂直通道。有两种类型的不完全连接的三维片上网络,分别是垂直通道上下对齐的和不对齐两种,如图2所示。在垂直通道上下对齐的三维片上网络中,不同层之间的垂直通道是对齐的,数据包可以从上往下或者从下往上直接贯穿。而对于垂直通道上下不对齐的三维片上网络,不同层之间垂直通道的分布不需要保持一致,可以互不相干,因此相比于上下对齐的方式,它的垂直通道放置的自由度更高。对于一个规模为m×n×k的对齐或者不对齐的三维片上网络,一个染色体中的基因的数量分别是m×n和m×n×(k-1)。m、n、k为自然数。
在本实施例中,每个染色体代表垂直通道不同数量和位置的一种情况。在进入选择阶段之前,需要知道每个染色体的适应度的值。垂直通道的数量和位置的优化问题是一个多目标优化问题,需要同时针对片上网络的成本和性能进行优化。成本是垂直通道的数量的函数,因此对于确定数量的垂直通道,其实现成本是确定的。另一方面,片上网络的性能主要由网络的平均延时LAvgHops和路由器流量负载的标准差SDtraffic决定,而对于这两个参数的优化则依赖于垂直通道的分配方式,而这可以通过局部搜索算法——禁忌搜索算法得到。
禁忌搜索(Tabu Search)算法是一种亚启发式随机搜索算法,它从一个初始可行解出发,选择一系列的特定搜索方向作为试探,选择实现让特定的目标函数值变化最多的移动。为了避免陷入局部最优解,禁忌搜索算法中采用了一种灵活的“记忆”技术,对已经进行的优化过程进行记录和选择,指导下一步的搜索方向,这就是Tabu表的建立。禁忌搜索的主要步骤如下:1)对问题编码,设置目标函数;2)产生初始解,置空禁忌表;3)生成当前解的领域,根据目标函数对候选解进行评价,选出候选解;4)判断候选解是否满足藐视准则,若满足则替换最早进入禁忌表的对象,更新最优解;5)判断候选解是否在禁忌表中,若在禁忌表中,则用当前解重新生成领域解,重复步骤3-步骤5;6)当迭代发现的最好解无法改进或者达到确定迭代步数时,禁忌搜索算法终止。
在本发明用于垂直通道分配优化的禁忌搜索算法中,所求解被编码成元素大小从1到Count的整数的一个有序序列,其中Count是垂直通道的数量,整数表示垂直通道的序号。垂直通道的序号和它对应的实际位置(ordinal,location)都保存在一个查找表中,本发明可以根据序号找到对应的垂直通道的位置。如本实施例图3所示,在其中一个解中,第13个整数是4,在查找表中,4对应的是12,这意味着路由器13被分配给位于路由器12上的垂直通道。为了通过对垂直通道分配进行优化以实现最佳性能,本发明将目标函数设置为平均延时LAvgHops和路由器流量负载的标准差SDtraffic的加权和,如下所示:
min Obj=αLAvgHops+βSDtraffic
其中α和β是权重,且α+β=1。α、β范围为(0-1)。网络的平均延时其中fij是源节点i和目的节点j之间的通信频率,fij∈(0,1),N是三维片上网络中总的节点数,Dis(i,j)表示节点i和j之间的曼哈顿距离。流量负载的标准差SDtraffic表示网络流量分布的均匀性,其中Ti和Tavg分别是路由器i的流量负载和平均流量负载,N是三维片上网络中总的节点数,i为源节点。
在本发明的禁忌搜索算法中,定义解B为解A的最近邻解(一步可达),当且仅当B的有序序列中有且只有一个整数与解A的不同,且其差值为1或者-1。因此,对于一个编码长度为L的解,其相邻解的数量最多为2L。本实施例中的一个示例如图4。在该图中,序列中第一个整数在“最近邻解#1”和“最近邻解#2”中被改变,其余的整数和原解相同。具体来说,第一个整数由原解中的2变成“最近邻解#1”中的1和“最近邻解#2”的3。类似的,“最近邻解#3”和“最近邻解#4”改变的是原解中的第二个整数,“最近邻解#5”改变的是原解中的第三个整数值,等等。
禁忌搜索算法在搜索过程中构造了一个短期循环记忆表,也就是禁忌表。禁忌表中存放的是刚刚进行过的t(t为禁忌表的长度)个领域的移动。对于在禁忌表中的移动,在以后的t次循环内是禁止的,以避免回到原来的解,从而避免陷入循环。t次循环后禁忌解除。若禁忌对象对应的适配值优于“best so far”状态,则无视其禁忌属性而仍采纳其为当前选择,也就是通常所说的藐视准则(或称特赦准则)。
本实施例中采用的是一个4×4×4不完全连接的的三维片上网络中,且其层与层之间的垂直通道是上下对齐的。遗传算法和禁忌搜索算法混合算法的参数配置如表1所示。
表1遗传算法和禁忌搜索算法混合算法的参数配置
参数 | 值 |
种群大小 | 48 |
遗传代数 | 200 |
目标函数数目 | 2 |
二进制基因的位数 | 16 |
交叉的概率 | 0.6 |
变异的概率 | 0.01 |
随机数种子 | 0.0345 |
禁忌表长度 | 6-13随机 |
禁忌搜索问题规模 | 16 |
禁忌搜索迭代次数 | 16*N(N为垂直通道数目) |
图5是用遗传算法和禁忌搜索算法的混合算法计算得出的垂直通道数量和网络性能的帕累托图,其中每个点都是在对应垂直通道数目下的帕累托最优值,即不能在不增加垂直通道数目的情况下获得比该点更佳的网络性能。该图中横坐标表示垂直通道的数目,设定1-16,纵坐标表示由平均网络延时与网络负载标准差的加权和表征的网络性能。
为了评估本发明提出的混合搜索算法搜索得到的垂直通道的位置(本质来说是一种拓扑结构)是否最优,本实施例中将其与随机生成的拓扑结构进行了比较。本实施例采用经本发明算法优化过的拓扑结构和其他四个随机生成的拓扑结构进行性能仿真。为了简单起见,本实施例在实现遗传算法和禁忌搜索算法的混合算法时,网络的解析模型中采用了如下假设:所有节点之间通信的概率是相等的。因此,在本实施例的仿真设置中,仅采用与之相对应的uniform的流量模式。另外,仿真过程中采用的垂直通道分配算法如下:按照从当前路由节点到垂直通道的最短距离进行选择。实验结果如图6和图7所示,图6和图7分别展示了8个垂直通道和12个垂直通道的情况下,经本发明算法优化过的拓扑结构(Optimized)和其他四种随机生成的拓扑结构的平均网络延时。由图6和图7可以看出,经本发明算法优化过的拓扑结构(Optimized)比随机生成的拓扑的平均网络延时更低、饱和吞吐率更高。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (7)
1.一种三维片上网络垂直通道的部署方法,其特征在于:采用遗传算法对垂直通道的数量和位置进行优化,然后对于全局搜索中搜索到的垂直通道的数量和位置,再通过禁忌搜索算法获得在该数量和位置下垂直通道的最优分配;
遗传算法中将垂直通道的位置用染色体进行如下表示:将对应垂直通道的数量和位置的一个解编码为一串二进制数字的有序序列,其中每个基因代表一个可选的垂直通道的位置,基因i处的值为‘1’,这意味着路由器i处存在垂直通道,如果基因值为‘0’的话,则表示该路由器位置上没有垂直通道,i为自然数;
禁忌搜索算法步骤如下:1)对问题编码,设置目标函数;2)产生初始解,置空禁忌表;3)生成当前解的领域,根据目标函数对候选解进行评价,选出候选解;4)判断候选解是否满足藐视准则,若满足则替换最早进入禁忌表的对象,更新最优解;5)判断候选解是否在禁忌表中,若在禁忌表中,则用当前解重新生成领域解,重复步骤3-步骤5;6)当迭代发现的最好解无法改进或者达到确定迭代步数时,禁忌搜索算法终止。
2.根据权利要求1所述的一种三维片上网络垂直通道的部署方法,其特征在于:对于一个规模为m×n×k的对齐或者不对齐的三维片上网络,一个染色体中的基因的数量分别是m×n和m×n×(k-1)。
3.根据权利要求1所述的一种三维片上网络垂直通道的部署方法,其特征在于:垂直通道的数量和位置的优化目标函数为Obj=αLAvgHops+βSDtraffic,LAvgHops为网络的平均延时,SDtraffic为路由器流量负载的标准差,其中α和β是权重,且α+β=1,α、β范围为(0-1)。
4.根据权利要求3所述的一种三维片上网络垂直通道的部署方法,其特征在于:网络的平均延时其中fij是源节点i和目的节点j之间的通信频率,fij∈(0,1),N是三维片上网络中总的节点数,Dis(i,j)表示节点i和j之间的曼哈顿距离。
5.根据权利要求3所述的一种三维片上网络垂直通道的部署方法,其特征在于:流量负载的标准差SDtraffic表示网络流量分布的均匀性,其中Ti和Tavg分别是路由器i的流量负载和平均流量负载,N是三维片上网络中总的节点数,i为源节点。
6.根据权利要求1或3所述的一种三维片上网络垂直通道的部署方法,其特征在于:在用于垂直通道分配优化的禁忌搜索算法中,所求解被编码成元素大小从1到Count的一个有序整数序列,其中Count是垂直通道的数量,整数表示垂直通道的序号,另外垂直通道的序号和它对应的实际位置都保存在一个查找表中,可以根据序号找到对应的垂直通道的位置。
7.根据权利要求1或3所述的一种三维片上网络垂直通道的部署方法,其特征在于:在用于垂直通道分配优化的禁忌搜索算法中,定义解B为解A的最近邻解,当且仅当B的有序序列中有且只有一个整数与解A的不同,且其差值为1或-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811636711.2A CN109726479B (zh) | 2018-12-29 | 2018-12-29 | 一种三维片上网络垂直通道的部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811636711.2A CN109726479B (zh) | 2018-12-29 | 2018-12-29 | 一种三维片上网络垂直通道的部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726479A CN109726479A (zh) | 2019-05-07 |
CN109726479B true CN109726479B (zh) | 2023-05-09 |
Family
ID=66297936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811636711.2A Active CN109726479B (zh) | 2018-12-29 | 2018-12-29 | 一种三维片上网络垂直通道的部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726479B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114125711B (zh) * | 2021-11-22 | 2022-10-14 | 中国科学院软件研究所 | 一种基于局部搜索算法的室内无线设备部署方法及系统 |
CN114116599B (zh) * | 2021-12-17 | 2024-08-16 | 广东工业大学 | 一种三维片上网络拓扑结构设计方法 |
CN115168281B (zh) * | 2022-09-09 | 2023-01-03 | 之江实验室 | 一种基于禁忌搜索算法的神经网络片上映射方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7080336B2 (en) * | 2000-12-06 | 2006-07-18 | Cadence Design Systems, Inc. | Method and apparatus for computing placement costs |
CN103226611B (zh) * | 2013-05-07 | 2016-01-20 | 南京理工大学 | 一种基于禁忌搜索的组合主体服务选择方法 |
CN103714384B (zh) * | 2013-12-24 | 2017-03-01 | 西安电子科技大学 | 基于移动模式序列与遗传禁忌的集成电路的布图方法 |
FR3025334B1 (fr) * | 2014-09-02 | 2019-05-24 | Thales | Procede de determination par optimisation d'une architecture multi-coeurs |
CN106934173B (zh) * | 2017-03-24 | 2020-05-12 | 哈尔滨工业大学 | 基于禁忌搜索与人工势场法相结合的数字微流控芯片在线测试方法 |
-
2018
- 2018-12-29 CN CN201811636711.2A patent/CN109726479B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109726479A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726479B (zh) | 一种三维片上网络垂直通道的部署方法 | |
Lu et al. | Genetic algorithm for energy-efficient QoS multicast routing | |
Pelikan et al. | Genetic algorithms, clustering, and the breaking of symmetry | |
Chitra et al. | A nondominated sorting genetic algorithm solution for shortest path routing problem in computer networks | |
Sharma et al. | Comparison of Dijkstra’s shortest path algorithm with genetic algorithm for static and dynamic routing network | |
GB2536607A (en) | Optimizing a network topology to satisfy predicted growth | |
JP6724576B2 (ja) | 多目標最適化方法及び装置 | |
CN104012148A (zh) | 为无线中继网络的中继节点确定通信调度的系统和方法 | |
CN111181792B (zh) | 基于网络拓扑的sdn控制器部署方法、装置及电子设备 | |
CN106658570B (zh) | 基于二次栅格划分的移动sink信息收集路径构建方法 | |
Mehran et al. | Spiral: A heuristic mapping algorithm for network on chip | |
Maniscalco et al. | Binary and m-ary encoding in applications of tree-based genetic algorithms for QoS routing | |
Chitra et al. | A nondominated sorting genetic algorithm for shortest path routing problem | |
Koduvilarpatti | Strength Pareto evolutionary algorithm based multi-objective optimization for shortest path routing problem in computer networks | |
Kuawattanaphan et al. | Wireless sensor nodes redeployment using a multiobjective optimization evolutionary algorithm | |
CN104270308A (zh) | 一种面向非均衡通信特征的射频片上网络应用映射方法 | |
Maniscalco et al. | Tree-based genetic algorithm with binary encoding for QoS routing | |
Kim et al. | Bicriteria network design using a spanning tree-based genetic algorithm | |
CN106981874A (zh) | 基于和声算法的配电网重构避免不可行解的编码方法 | |
Das et al. | Solving otimization problems in wireless networks using genetic algorithms | |
Kiasari et al. | Analytic performance comparison of hypercubes and star graphs with implementation constraints | |
Sayoud et al. | A genetic local tuning algorithm for a class of combinatorial networks design problems | |
Fister et al. | Hybridization of evolutionary algorithms | |
Ranganathan et al. | A self-organizing heuristic for building optimal heterogeneous ad-hoc sensor networks | |
Zhang et al. | Multi-objective topology design of industrial ethernet networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |