CN115017853A - 一种基于模拟退火算法的fpga布局方法 - Google Patents
一种基于模拟退火算法的fpga布局方法 Download PDFInfo
- Publication number
- CN115017853A CN115017853A CN202210736841.3A CN202210736841A CN115017853A CN 115017853 A CN115017853 A CN 115017853A CN 202210736841 A CN202210736841 A CN 202210736841A CN 115017853 A CN115017853 A CN 115017853A
- Authority
- CN
- China
- Prior art keywords
- optimized
- layout
- examples
- current
- instances
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/34—Circuit design for reconfigurable circuits, e.g. field programmable gate arrays [FPGA] or programmable logic devices [PLD]
- G06F30/347—Physical level, e.g. placement or routing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Architecture (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本申请公开了一种基于模拟退火算法的FPGA布局方法,涉及FPGA技术领域,该方法根据初始布局得到的布局结果初始化待优化实例集合,待优化实例集合包括若干个待优化实例,在初始布局得到的布局结果的基础上,利用模拟退火算法从待优化实例集合中迭代选取待优化实例对布局结果进行优化,并迭代更新待优化实例集合,直至得到最终的布局结果。该方法优化了常规的模拟退火算法解决FPGA布局问题的流程,不再随机交换元件实例的布局位置,而是找出性能指标差的待优化实例,并更多的选用这些待优化实例进行布局优化,提高了选取元件实例的有效性,使得模拟退火过程可以更快速的收敛并得到满足优化目标的布局结果,提高布局效率。
Description
技术领域
本发明涉及FPGA技术领域,尤其是一种基于模拟退火算法的FPGA布局方法。
背景技术
现场可编程逻辑门阵列(Field-Programmable Gate Array,FPGA)是一种在日用家电、大型机械乃至航空航天都有广泛使用的芯片。随着FPGA芯片规模的扩大,芯片的布局愈发显得关键和重要,直接影响着芯片的面积、频率等性能。因此在芯片布局上需要综合考虑多方面的代价,在满足多种约束的条件下,如何通过芯片布局的优化来保证芯片的性能和可布性成为保证芯片质量的关键。
模拟退火算法是目前FPGA的布局优化过程中常用的算法,模拟退火算法是一种启发式的迭代搜索算法,它由Metropolis于1953年提出,其设计原理来自于真实的物理退火过程。
模拟退火算法用于解决FPGA的布局问题时的流程请参考图1所示的流程图,首先随机形成一个FPGA上的全局初始布局结果,全局初始布局结果包括所有元件实例的初始的布局位置,并初始化设置一个退火的初始温度、一个退火的退出温度、一个可达全域的状态改变空间。模拟退火算法主要包括外循环和内循环,外循环用于控制退火温度和状态改变空间,内循环用于交换和移动元件实例的布局位置。外循环从退火的初始温度和可达全域的状态改变空间开始,在当前外循环下进入内循环,在当前的状态改变空间内随机选取两个元件实例分别作为起点和目标点,对起点和目标点的布局位置进行交换以改变布局结果,每次布局结果改变操作都会以一定的概率进行接受,这个概率与当前的退火温度以及布局结果改变操作所产生的影响有关,布局结果改变操作所产生的影响一般通过计算代价函数来确定,退火温度越高、接受概率越大,此次布局结果改变操作对布局结果优化效果越明显、接受概率越大,这一过程模拟固体粒子的运动。内循环结束后,会降低退火温度并减小状态改变空间进入下一次外循环,模拟固体冷却过程能量逐渐降低固体粒子活跃性逐渐减小。直到退火温度达到退出温度时退出外循环。初始温度一般较高,可以使元件实例的布局结果改变操作很容易被接受,模拟固体的高温状态。退出温度一般较低,元件实例的布局结果改变操作从而变得难以接受,模拟固体的低温状态。外循环退出后,将退火温度设置为0,再进行若干次元件实例的布局位置的交换以改变它们的状态,这时只能接受使布局结果优化的布局结果改变操作,最终完成模拟退火算法,得到FPGA上的全局最优布局结果。
如上描述,模拟退火算法用于解决FPGA的布局问题时需要通过多次内外循环来交换和移动元件实例的布局结果,往往需要进行大量的随机交换和移动来保证向全局最优布局结果收敛,因此算法执行时间通常较长,布局效率较低。
发明内容
本申请针对上述问题及技术需求,提出了一种基于模拟退火算法的FPGA布局方法,本申请的技术方案如下:
一种基于模拟退火算法的FPGA布局方法,该方法包括:
按照用户网表对FPGA进行全局的随机初始布局,得到未达到布局目标的布局结果;
根据初始布局得到的布局结果初始化待优化实例集合,待优化实例集合包括若干个待优化实例,待优化实例是用户网表中在当前的布局结果下的性能指标差于预设阈值的元件实例;
在初始布局得到的布局结果的基础上,利用模拟退火算法从待优化实例集合中迭代选取待优化实例对布局结果进行优化,并迭代更新待优化实例集合,直至得到FPGA全局的达到布局目标的布局结果。
其进一步的技术方案为,用户网表中的元件实例的性能指标与元件实例在当前的布局结果下的时延参数和/或所在区域的拥挤度相关,元件实例在当前的布局结果下的时延越大、所在区域的拥挤度越高、元件实例的性能指标越差。
其进一步的技术方案为,待优化实例集合中包括至少两种不同布局关键度的待优化实例,待优化实例的布局关键度与待优化实例的性能指标相关;在一个退火温度下从待优化实例集合中迭代选取待优化实例时,待优化实例集合中每个待优化实例的选取频次与待优化实例的布局关键度对应。
其进一步的技术方案为,待优化实例的性能指标越差、布局关键度越高、对应的选取频次越高。
其进一步的技术方案为,待优化实例集合按照布局关键度划分为若干个互不相交的子集合,每个子集合对应一个布局关键度且包含待优化实例集合中具有布局关键度的待优化实例,且布局关键度越高、对应的子集合中包括的待优化实例的总数越少;在一个退火温度下从待优化实例集合中迭代选取待优化实例时,按照每种布局关键度对应的选取概率从对应的子集合中随机选取待优化实例。
其进一步的技术方案为,对应的布局关键度最低、包含的待优化实例的总数最多的子集合的选取概率不低于概率阈值。
其进一步的技术方案为,利用模拟退火算法对布局结果进行优化并迭代更新待优化实例集合的方法,包括:
退火温度从初始温度开始,在当前的退火温度下从当前的待优化实例集合中迭代选取待优化实例对布局结果进行优化,得到当前退火温度下的优化后的布局结果;
利用优化后的布局结果更新待优化实例集合,并降低退火温度和交换半径,再次执行利用模拟退火算法从待优化实例集合中选取待优化实例对布局结果进行优化的步骤,直至退火温度达到退出温度。
其进一步的技术方案为,在当前的退火温度下从当前的待优化实例集合中迭代选取待优化实例对布局结果进行优化,包括:
从当前的待优化实例集合中选取一个待优化实例,按照当前的退火温度以及预设代价函数对应的接受率、对选取的待优化实例的布局位置在交换半径内进行优化;
若未达到迭代终止条件,则重新执行从当前的待优化实例集合中选取一个待优化实例的步骤;
若达到迭代终止条件,则得到当前退火温度下的优化后的布局结果。
本申请的有益技术效果是:
本申请公开了一种基于模拟退火算法的FPGA布局方法,该方法优化了常规的模拟退火算法解决FPGA布局问题的流程,在算法循环交换中,不再随机交换元件实例的布局位置,而是找出性能指标差的关键的待优化实例,并更多的选用这些待优化实例进行布局优化,提高了选取元件实例的有效性,使得模拟退火过程可以更快速的收敛并得到满足优化目标的布局结果,提高布局效率。
在选用这些待优化实例进行布局优化时,这些待优化实例之间的关键度也可以进一步区分,以对性能指标不同的待优化实例按不同的选取频次来选择,从而更多的选用性能指标更差的待优化实例进行布局优化,进一步提高选取元件实例的有效性和布局效率。
该方法在选取性能指标差的关键的待优化实例时,考虑元件实例在当前的布局结果下的时延参数和/或所在区域的拥挤度,从而可以根据实际需要来重点优化不同的性能指标,灵活度高,可以满足不同的布局目标。
附图说明
图1是现有的模拟退火算法用于FPGA布局优化的流程图。
图2是基于本申请一个实施例提供的模拟退火算法实现FPGA布局的方法流程图。
图3是基于本申请另一个实施例提供的模拟退火算法实现FPGA布局的方法流程图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于模拟退火算法的FPGA布局方法,该方法包括如下步骤,请参考图2:
步骤210,按照用户网表对FPGA进行全局的随机初始布局,得到未达到布局目标的布局结果。随机初始布局的方法可以与常规的模拟退火算法初始化过程的随机初始布局相同,本申请对此不赘述。
步骤220,根据初始布局得到的布局结果初始化待优化实例集合,待优化实例集合包括若干个待优化实例,待优化实例是用户网表中在当前的布局结果下的性能指标差于预设阈值的元件实例。
步骤230,在初始布局得到的布局结果的基础上,利用模拟退火算法从待优化实例集合中迭代选取待优化实例对布局结果进行优化,并迭代更新待优化实例集合,直至得到FPGA全局的达到布局目标的布局结果。
如背景技术部分记载,常规的模拟退火算法在执行时,在随机初始布局得到的布局结果中随机选取两个元件实例的布局位置进行交换以改变布局结果,为了解决大量随机交换导致的布局效率低的问题,本申请优化模拟退火算法的流程,并不随机选取元件实例来交换,而是找出性能指标差的元件实例,这些元件实例是布局过程中需要优化的关键实例,通过更多的在模拟退火算法执行过程中选用这些待优化实例来交换布局位置,提高了优化的有效性,使得模拟退火算法可以更快速的收敛并得到满足布局目标的布局结果。
在上述步骤220中,根据各个元件实例在当前的布局结果下的性能指标来确定当前布局结果下的待优化实例集合。用户网表中的元件实例的性能指标与元件实例在当前的布局结果下的时延参数和/或所在区域的拥挤度相关,元件实例在当前的布局结果下的时延越大、所在区域的拥挤度越高、元件实例的性能指标越差。在一个实施例中,元件实例所在区域是按照FPGA的架构的域来划分的,或者在另一个实施例中,元件实例所在区域按照自定义规则划分,包含的区域范围可以自定义设置。元件实例所在区域的拥挤度可以利用现有的拥挤估计算法来计算确定。
在基于元件实例在当前的布局结果下的时延参数和/或所在区域的拥挤度确定性能指标时,有多种不同的实现方式:
一个实施例中,仅根据元件实例在当前的布局结果下的时延参数来确定性能指标,则预先配置不同时延参数与性能指标之间的对应关系。
另一个实施例中,仅根据元件实例在当前的布局结果下所在区域的拥挤度,则预先配置不同拥挤度与性能指标之间的对应关系。
另一个实施例中,同时根据元件实例在当前的布局结果下的时延参数和所在区域的拥挤度来确定性能指标,则预先配置不同时延参数与时延指标系数的关系,预先配置不同所在区域的拥挤度与拥挤指标系数之间的对应关系。则通过对元件实例的时延指标系数和拥挤指标系数进行加权计算即能确定元件实例的性能指标。而在加权计算时,时延指标系数和拥挤指标系数的权重可以相等,或者根据实际需要配置两者的权重不等。
另一个实施例中,考虑到拥挤并不会发生在所有的测试用例,特别是在一些使用资源较少的测试用例中不会发生,当元件实例所在区域的拥挤度未达到拥挤度阈值时,仅根据元件实例在当前的布局结果下的时延参数来确定性能指标。当元件实例所在区域的拥挤度达到拥挤度阈值时,同时根据元件实例在当前的布局结果下的时延参数和所在区域的拥挤度来确定性能指标。
在上述步骤230中,利用模拟退火算法对布局结果进行优化并迭代更新待优化实例集合的方法具体如下,请参考图3所示的流程图:
步骤310,初始化模拟退火算法的系统参数,主要包括初始温度、退出温度、状态改变空间,状态改变空间一般可以用交换半径来定义,初始的交换半径一般可达全FPGA芯片。模拟退火算法的退火温度从初始温度开始执行。实际应用时,该步骤310的初始化系统参数的步骤与步骤210和步骤220没有特定的先后顺序。
步骤320,若当前退火温度未达到退出温度,则在当前的退火温度下从当前的待优化实例集合中迭代选取待优化实例对布局结果进行优化,得到当前退火温度下的优化后的布局结果。在初始温度下,当前的待优化实例集合即为根据初始布局得到的布局结果初始化的待优化实例集合。
在当前的退火温度下从当前的待优化实例集合中迭代选取待优化实例对布局结果进行内循环的过程包括如下步骤:
步骤321,从当前的待优化实例集合中选取一个待优化实例。
在一个实施例中,每次从待优化实例集合中随机选取一个待优化实例,也即待优化实例集合中所有待优化实例的选取频次是相同的。
在另一个实施例中,为了进一步提高选取的待优化实例的有效性而加快收敛,待优化实例集合中包括至少两种不同布局关键度的待优化实例,待优化实例的布局关键度与待优化实例的性能指标相关。每个待优化实例有且仅有一种对应的布局关键度,每种布局关键度具有至少一个待优化实例。比如可以配置在同一个性能指标范围内的待优化实例都属于同一布局关键度,而不同布局关键度对应的性能指标范围互不重叠。则在一个退火温度下从待优化实例集合中迭代选取待优化实例时,待优化实例集合中每个待优化实例的选取频次与待优化实例的布局关键度对应,也即在该实施例中,并不完全随机从待优化实例集合中选取待优化实例,而会按照不同的选取频次来选取不同布局关键度的待优化实例。
出于加快优化和算法收敛的考虑,待优化实例的性能指标越差、布局关键度越高、对应的选取频次越高。也即更高频次的选取性能指标差的待优化实例来交换布局位置,从而重点优化这些性能指标差的待优化实例,以达到所要实现的优化目的。
为了实现按不同选取频次来选取不同布局关键度的待优化实例的功能,该实施例提供了一种实现方法:待优化实例集合按照布局关键度划分为若干个子集合,任意两个子集合互不相交、也即交集为空,所有子集合的并集为待优化实例集合。每个子集合对应一个布局关键度且包含待优化实例集合中具有布局关键度的待优化实例,且布局关键度越高、对应的子集合中包括的待优化实例的总数越少。比如在一个实例中,将总共包括N个待优化实例的待优化实例集合划分为子集合1、子集合2和子集合3,子集合1包含10%*N个待优化实例,子集合1内的这些待优化实例均对应布局关键度A。子集合2包含20%*N个待优化实例,子集合2内的这些待优化实例均对应布局关键度B。子集合3包含70%*N个待优化实例,子集合3内的这些待优化实例均对应布局关键度C。布局关键度A、布局关键度B、布局关键度C的布局关键度依次降低。
在一个退火温度下从待优化实例集合中迭代选取待优化实例时,按照每种布局关键度对应的选取概率从对应的子集合中随机选取待优化实例。每个待优化实例的选取频次受其所属子集合包含的待优化实例的数量以及该子集合的选取概率影响,比如当两个子集合包含的待优化实例的数量相等时,若这两个子集合的选取概率不相等,这两个子集合中的待优化实例的选取频次也是不同的,选取概率更大的子集合中的待优化实例的选取频次相对更高。再比如当两个子集合的选取概率相等时,若这两个子集合包含的待优化实例的数量不相等,则这两个子集合中的待优化实例的选取频次也是不同的,包含的待优化实例的数量更少的子集合中的待优化实例的选取频次相对更高。各种布局关键度对应的选取概率可以自定义调节,具体的设置数值不限定,只需要保证使得待优化实例布局关键度越高、对应的选取频次越高即可。
比如在上述实例中,假设布局关键度A对应的选取概率为40%、布局关键度B对应的选取概率为20%、布局关键度C对应的选取概率为40%。则在一个退火温度下从待优化实例集合中迭代选取待优化实例时,按照40%的选取概率从子集合1内随机选取待优化实例,按照20%的选取概率从子集合2内随机选取待优化实例,按照40%的选取概率从子集合3内随机选取待优化实例。虽然布局关键度A和布局关键度C的选取概率相等,但由于子集合3内的数量多于子集合1,因此子集合1内的待优化实例的选取频次是高于子集合3内的待优化实例的选取频次的。同样的,虽然布局关键度C的选取概率大于布局关键度B的选取概率,但由于子集合3内的数量多于子集合2,因此子集合2内的待优化实例的选取频次仍然是高于子集合3内的待优化实例的选取频次的。
通过上述方法,即可以更便捷的按照布局关键度越高、对应的选取频次越高的规律从待优化实例集合中迭代选取待优化实例。通过上述方法可以更高频的优化性能指标越差的待优化实例,但是对应的布局关键度最低、包含的待优化实例的总数最多的子集合的选取概率不低于概率阈值,该概率阈值是预设值。也即虽然要尽量选取布局关键度越高的待优化实例,但也必须选取一定数量的布局关键度低的待优化实例,这样才能兼顾解空间的规模,才能保证算法最终收敛至全局最优解。
步骤322,按照当前的退火温度以及预设代价函数对应的接受率、对选取的待优化实例在当前布局结果中的布局位置在当前的交换半径内进行优化。在退火温度为初始温度时的第一个外循环中,当前的交换半径即为初始化时的交换半径。
与常规模拟退火算法类似,需要在当前的状态改变空间内选取起点和目标点进行布局位置的交换,可以仅按照本申请提供的方法从待优化实例集合中选取待优化实例作为起点,而目标点仍随机选取,或者目标点也可以按照本申请提供的方法从待优化实例集合中选取待优化实例。每次布局结果改变操作都会以一定的概率进行接受,这部分与常规模拟退火算法类似,本申请不赘述。
步骤323,若达到迭代终止条件,则得到当前退火温度下的优化后的布局结果。若未达到迭代终止条件,则重新执行从当前的待优化实例集合中选取一个待优化实例的步骤。该迭代终止条件可以自定义设定,一般可以通过内循环次数来限定,可以在系统参数初始化时设定达到迭代终止条件时的内循环次数,不同退火温度下的迭代终止条件可以相同也可以不同,实际可以根据需要自定义配置。
步骤330,利用当前退火温度下的优化后的布局结果更新待优化实例集合,并降低退火温度和交换半径。也即根据优化后的布局结果重新确定待优化实例集合,这与初始化确定待优化实例集合的方法是类似的。
步骤340,降低退火温度并减小交换半径,若降低后的当前的退火温度仍未达到退出温度则重新执行步骤320和330,在降低后的当前的退火温度下对布局结果进行优化并更新待优化实例集合。若降低后的当前的退火温度达到退出温度,则结束模拟退火算法的循环,最终得到FPGA全局的达到布局目标的布局结果。结束模拟退火算法的循环后还可以按照背景技术部分记载的,再执行额外的元件实例的布局位置的交换操作,本申请对退出模拟退火算法循环后的过程不作赘述和限定。
Claims (8)
1.一种基于模拟退火算法的FPGA布局方法,其特征在于,所述方法包括:
按照用户网表对FPGA进行全局的随机初始布局,得到未达到布局目标的布局结果;
根据初始布局得到的布局结果初始化待优化实例集合,所述待优化实例集合包括若干个待优化实例,待优化实例是所述用户网表中在当前的布局结果下的性能指标差于预设阈值的元件实例;
在初始布局得到的布局结果的基础上,利用模拟退火算法从所述待优化实例集合中迭代选取待优化实例对布局结果进行优化,并迭代更新待优化实例集合,直至得到FPGA全局的达到布局目标的布局结果。
2.根据权利要求1所述的方法,其特征在于,用户网表中的元件实例的性能指标与元件实例在当前的布局结果下的时延参数和/或所在区域的拥挤度相关,元件实例在当前的布局结果下的时延越大、所在区域的拥挤度越高、所述元件实例的性能指标越差。
3.根据权利要求1所述的方法,其特征在于,所述待优化实例集合中包括至少两种不同布局关键度的待优化实例,待优化实例的布局关键度与所述待优化实例的性能指标相关;在一个退火温度下从待优化实例集合中迭代选取待优化实例时,待优化实例集合中每个待优化实例的选取频次与所述待优化实例的布局关键度对应。
4.根据权利要求3所述的方法,其特征在于,待优化实例的性能指标越差、布局关键度越高、对应的选取频次越高。
5.根据权利要求4所述的方法,其特征在于,所述待优化实例集合按照布局关键度划分为若干个互不相交的子集合,每个子集合对应一个布局关键度且包含所述待优化实例集合中具有所述布局关键度的待优化实例,且布局关键度越高、对应的子集合中包括的待优化实例的总数越少;在一个退火温度下从待优化实例集合中迭代选取待优化实例时,按照每种布局关键度对应的选取概率从对应的子集合中随机选取待优化实例。
6.根据权利要求5所述的方法,其特征在于,对应的布局关键度最低、包含的待优化实例的总数最多的子集合的选取概率不低于概率阈值。
7.根据权利要求1所述的方法,其特征在于,利用模拟退火算法对布局结果进行优化并迭代更新待优化实例集合的方法,包括:
退火温度从初始温度开始,在当前的退火温度下从当前的待优化实例集合中迭代选取待优化实例对布局结果进行优化,得到当前退火温度下的优化后的布局结果;
利用优化后的布局结果更新待优化实例集合,并降低退火温度和交换半径,再次执行所述利用模拟退火算法从所述待优化实例集合中选取待优化实例对布局结果进行优化的步骤,直至退火温度达到退出温度。
8.根据权利要求7所述的方法,其特征在于,所述在当前的退火温度下从当前的待优化实例集合中迭代选取待优化实例对布局结果进行优化,包括:
从当前的待优化实例集合中选取一个待优化实例,按照当前的退火温度以及预设代价函数对应的接受率、对选取的待优化实例的布局位置在交换半径内进行优化;
若未达到迭代终止条件,则重新执行所述从当前的待优化实例集合中选取一个待优化实例的步骤;
若达到迭代终止条件,则得到当前退火温度下的优化后的布局结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736841.3A CN115017853A (zh) | 2022-06-27 | 2022-06-27 | 一种基于模拟退火算法的fpga布局方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736841.3A CN115017853A (zh) | 2022-06-27 | 2022-06-27 | 一种基于模拟退火算法的fpga布局方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017853A true CN115017853A (zh) | 2022-09-06 |
Family
ID=83076650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210736841.3A Pending CN115017853A (zh) | 2022-06-27 | 2022-06-27 | 一种基于模拟退火算法的fpga布局方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017853A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556967A (zh) * | 2024-01-11 | 2024-02-13 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
-
2022
- 2022-06-27 CN CN202210736841.3A patent/CN115017853A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556967A (zh) * | 2024-01-11 | 2024-02-13 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
CN117556967B (zh) * | 2024-01-11 | 2024-05-03 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karaboga | Digital IIR filter design using differential evolution algorithm | |
Storn et al. | Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces | |
Balzer | Capacity-constrained Voronoi diagrams in continuous spaces | |
CN102880628B (zh) | 哈希数据存储方法和装置 | |
CN115017853A (zh) | 一种基于模拟退火算法的fpga布局方法 | |
CN106408031A (zh) | 一种最小二乘支持向量机的超参优化方法 | |
Souravlas et al. | Binary-tree based estimation of file requests for efficient data replication | |
Miranda et al. | Gefpso: A framework for pso optimization based on grammatical evolution | |
Farooq et al. | Efficient FPGA routing using reinforcement learning | |
CN116090344A (zh) | 一种适用于大变量数的多级叶轮优化方法及相关装置 | |
CN115048894A (zh) | 一种多阶段优化的fpga布局方法 | |
Li et al. | Delay optimization based on improved differential evolutionary algorithm for task offloading in fog computing networks | |
Xu et al. | A robust adaptive hybrid genetic simulated annealing algorithm for the global optimization of multimodal functions | |
CN114722490A (zh) | 一种基于混合增点与区间缩减的代理模型全局优化方法 | |
Özsoy et al. | Particle swarm optimization applied to parameter estimation of the four-parameter burr III distribution | |
Azam et al. | Formulating game strategies in game-theoretic rough sets | |
Asta et al. | A novel particle swarm optimization algorithm | |
CN114239439A (zh) | 一种基于部落算法的自动化滤波器的设计方法 | |
Yong et al. | Optimization strategy of SDN control deployment based on simulated annealing-genetic hybrid algorithm | |
KR20130141228A (ko) | 디지털 필터의 설계 시스템 및 방법 | |
Nappu et al. | Path-relinking Grey Wolf Optimizer for Solving Operation Sequencing Problem | |
KR102635503B1 (ko) | 마르코프 체인 몬테 카를로 샘플링의 초기값 결정 방법 | |
CN117422003B (zh) | 散热片优化设计方法、装置及存储介质 | |
Schlauwitz et al. | A dimension-wise particle swarm optimization algorithm optimized via self-tuning | |
CN109214518A (zh) | 基于连续动作学习自动机的全局优化系统及方法 |
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 |