基于改進(jìn)的遺傳算法軟硬件劃分方法研究
加入技術(shù)交流群
集成電路在過去30年的發(fā)展幾乎完全遵循Moore定律，即集成電路的集成度每隔18個(gè)月就翻一番?，F(xiàn)在集成電路的面積進(jìn)一步減小，并獲得更高的集成度。集成度增加的結(jié)果就是能集成越來越多的功能，甚至是一個(gè)完整的系統(tǒng)都能夠被集成到單個(gè)芯片之中。這樣原來由微處理器、協(xié)處理器和多塊其他外圍芯片組成的系統(tǒng)，可以集成在一塊芯片內(nèi)實(shí)現(xiàn)，這種一塊芯片集成一個(gè)系統(tǒng)的技術(shù)，叫做系統(tǒng)集成芯片(SOC，System-On―Chip)技術(shù)。但是傳統(tǒng)的系統(tǒng)設(shè)計(jì)面臨著許多必須解決的矛盾問題，首先是系統(tǒng)高性能和低成本之間的矛盾；其次是系統(tǒng)復(fù)雜性與更新?lián)Q代周期之間的矛盾。
面對(duì)這種矛盾，一個(gè)可行的解決方案是采用SOC軟硬件協(xié)同設(shè)計(jì)方法。而軟硬件劃分是軟硬件協(xié)同設(shè)計(jì)方法的關(guān)鍵問題。軟硬件劃分問題是一個(gè)多目標(biāo)優(yōu)化問題，在優(yōu)化過程中要針對(duì)成本、面積、功耗、時(shí)間等多個(gè)目標(biāo)?，F(xiàn)在已經(jīng)有很多算法應(yīng)用到軟硬件劃分中，如遺傳算法、螞蟻算法、禁忌搜索算法、模擬退火算法等。本文主要采用基于小生境技術(shù)(Niching Methods)和精英保持策略的改進(jìn)遺傳算法來進(jìn)行軟硬件劃分研究。
l 遺傳算法基本思想
美國Michigan大學(xué)J．Holland教授于1975年提出的遺傳算法，遺傳算法是以達(dá)爾文的自然選擇和優(yōu)勝劣汰的生物進(jìn)化理論為基礎(chǔ)的。和傳統(tǒng)的搜索算法不同，遺傳算法從一組隨機(jī)產(chǎn)生的成為種群(Population)的初始解開始搜索。種群中的每一個(gè)體都是問題的一個(gè)解，稱為染色體，這些染色體在后續(xù)迭代中不斷進(jìn)化，稱為遺傳。在新一代形成中，根據(jù)適應(yīng)值的大小選擇部分后代，淘汰部分后代。經(jīng)過若干代之后，算法收斂于最好的染色體，它可能是問題的最優(yōu)解或近似最優(yōu)解。圖l是遺傳算法基本的流程示意圖。
遺傳算法有三類基本的操作：選擇(Selection)、交叉(Crossover)、和變異(Mutation)。選擇的目的是為了從當(dāng)前群體中選出優(yōu)良的個(gè)體，是它們有機(jī)會(huì)作為父代為下一代繁殖子孫，選擇的原則是給予適應(yīng)度強(qiáng)的個(gè)體較大的機(jī)會(huì)。交又是最主要的遺傳算法操作，它同時(shí)對(duì)兩個(gè)染色體進(jìn)行操作，組合二者的特性產(chǎn)生新的后代，遺傳算法的性能很大程度上取決于采用的交叉運(yùn)算的性能。變異發(fā)生的概率最低，變異操作是在染色體上自發(fā)地產(chǎn)生隨機(jī)變化，在遺傳算法中變異可以提供初始種群中不包括的基因，為種群提供新的個(gè)體。
遺傳算法的主要優(yōu)點(diǎn)是：1)具有領(lǐng)悟無關(guān)的群體性全局搜索能力，可避免陷入局部最優(yōu)；2)搜索使用評(píng)價(jià)函數(shù)啟發(fā)過程簡單；3)使用概率機(jī)制進(jìn)行迭代，具有隨機(jī)性；4)可擴(kuò)展性強(qiáng)，易于介入已有的模型中去，且易于與其他優(yōu)化技術(shù)結(jié)合。
2 小生境技術(shù)和精英保持策略
2．1 小生境技術(shù)
早熟收斂是遺傳算法最嚴(yán)重的一個(gè)問題，保持群體的多樣性可以有效地防止群體的早熟收斂，而且種群多樣性也是遺傳算法能夠搜索全局最優(yōu)解的基本條件。其中小生境(niching methods)技術(shù)是遺傳算法維持種群多樣性而廣為采用的方法。在生物學(xué)中，小生境是指特定環(huán)境下的一種生存環(huán)境，相同的生物生活在同一個(gè)小生境中。借鑒此概念，遺傳算法將每一代個(gè)體劃分成若干類，每個(gè)類中選出若干適應(yīng)度較高的個(gè)體作為一個(gè)類的優(yōu)秀代表組成一個(gè)種群，再在種群中以及不同種群之間通過雜交、變異產(chǎn)生新一代個(gè)體群，同時(shí)采用預(yù)選擇機(jī)制或者排擠機(jī)制或共享機(jī)制完成選擇操作。這樣就可以更好的保持群體的多樣性，使其具有較高的全局尋優(yōu)能力和收斂速度。遺傳算法中模擬小生境的方法主要有以下幾種：1)基于預(yù)選擇的小生境實(shí)現(xiàn)方法；2)基于排擠的小生境實(shí)現(xiàn)方法；3)基于共享函數(shù)的小生境實(shí)現(xiàn)方法。
2．2 精英保持策略
在遺傳算法的運(yùn)行過程中，通過對(duì)個(gè)體進(jìn)行交叉、變異等遺傳操作而不斷地產(chǎn)生出新的個(gè)體。雖然隨著群體的進(jìn)化過程會(huì)產(chǎn)生出越來越多的優(yōu)良個(gè)體，但是猶豫遺傳算法的隨機(jī)性，可能會(huì)破壞當(dāng)前群體中的最好的個(gè)體。這將對(duì)遺傳算法的有效性和收斂性都有很大影響。為了使適應(yīng)度最好的個(gè)體能夠保存到下一代群體中，本文使用精英保持策略(Elitlsm Preserving)來進(jìn)行優(yōu)勝劣汰，將當(dāng)前群體中適應(yīng)度最高的個(gè)體不參與交叉和變異運(yùn)算，而是用它來替代當(dāng)前代中適應(yīng)度最低的個(gè)體。假設(shè)P，代表第i代的進(jìn)化群體，則精英保持策略的操作示意如圖2：
如圖2所示，精英保持策略的基本思想是對(duì)Pi進(jìn)行非劣排序，在群體中挑出最優(yōu)的個(gè)體保留到下一代Pi+1。這種保留通過在遺傳操作外部維持一個(gè)輔助群體P*來實(shí)現(xiàn)。P*中個(gè)體的編碼決策向量是所有解向量中的非被支配向量，即當(dāng)前代的Pareto最優(yōu)解。由于每代進(jìn)化后的非支配向量大小是個(gè)不定量，外部群體P*的大小具有不確定性。為了保持外部群體大小不變，在實(shí)際操作過程中采用截?cái)嗖僮鞯霓k法防止邊界解的遺失。其具體做法是：將Pi和P*i中所有的個(gè)體復(fù)制到P*i+1。如果P*i+1的群體大小超過了N*，利用截?cái)嗖僮鳒p少|(zhì)P*i+1|；如果P*i+1的群體大小少于N*，則用被支配個(gè)體填充P*i+1。
評(píng)論