网络划分领域知识大规模Network-on-Chip多目标应用程序映射

文摘

本文提出一种多目标应用程序映射技术针对大规模network-on-chip (NoC)。随着知识产权(IP)数量的核心在多处理器芯片系统(MPSoC)增加,NoC应用程序映射找到最佳core-to-topology映射变得更具挑战性。此外,冲突的成本和性能权衡使多目标的应用程序映射技术更加复杂。本文提出一个应用程序映射技术,结合领域知识转化为遗传算法(GA)。遗传算法的初始种群初始化与网络分区(NP)在交叉算子与知识交流的要求。NP减少了大规模应用程序映射的复杂性和为遗传算法提供了一个潜在的搜索空间的映射。提出的遗传算子与先进的遗传算子相比质量的解决方案。在这个工作中,多目标优化的能量和热平衡。通过仿真,基于知识的初始映射显示在帕累托前相比显著提高随机初始映射,被广泛使用。提出的基于知识的交叉也显示更好的帕累托前相比,先进的知识交叉。

1。介绍

亚微米技术的发展使得更多的知识产权(IP)核心是集成到一个芯片上,增加了系统的复杂性。多处理器芯片系统(MPSoC)大小将会从几个核心增加到几百个内核在未来每个芯片。目前片上通信体系结构,利用总线共享或层次总线架构将成为越来越多的核性能瓶颈。实现大型MPSoC需要更灵活的通信资源。Network-on-chip (NoC)已成为一个新的通信MPSoC架构,提供了模块化和灵活性。NoC架构是基于传统互连网络的概念(1]。每个IP核心是连接到一个路由器的NoC网络和核心消息通过路由器转发到目的地。然而,少数NoC-based系统设计问题仍在研究中。(已确定和分类的问题2]。一个重大的挑战在NoC设计IP核的位置相关的网络上的路由器。

应用程序决定了IP核的位置映射到网络中的路由器这样感兴趣的性能或成本指标进行了优化(2]。本文假定应用程序任务分配和安排在IP核。任务调度是不检查。输入应用程序映射的形式核心图形而不是任务图。源核的位置和目的地核心NoC的成本和性能的影响。没有一个合适的应用程序映射算法,NoC性能可能受到交通拥堵,热点,和更高的能源消耗。它是一个np难问题,详尽的算法不能应用。在这方面,需要一个有效的映射算法减少庞大的搜索空间和获得最佳映射。

优化搜索等改进模拟退火(SA) [3,4)、遗传算法(GA) [5,6)和粒子群优化(PSO) (7在NoC)被用于应用程序映射。遗传算法是应用程序的主要算法映射。遗传算法在搜索和优化问题可以提供有限信息:可能的解决方案和适应度函数的问题表示评估解决方案的善良。然而,提高IP核在MPSoC导致阶乘数量的增加可能的映射。大搜索空间呈现GA收敛慢。因此,一些知识信息可能引导遗传算法收敛速度更快,提供质量更好的解决方案。

无论初始种群的大小,选择适当的初始化方法解决大规模问题的至关重要(8]。对于大规模NoC问题,加快收敛性和提高解决方案的质量,适当的初始化方法是必要的。大规模MPSoCs大多是几个子系统的组合。一个IP核心可能只与几个核心在这样一个大系统。网络分区(NP)的一个大系统分解为几个较小的子系统高度沟通的核心被分组在同一分区内。然而,热平衡成为一个问题。NoC的热点可能导致错误的网络资源和错误的数据包被发送。热的平衡网络应该为一个可靠的NoC。另一个问题

本文提出一个应用程序映射技术,结合领域知识转化为遗传算法(NP-DKGA)来减少能源消耗和获得对NoC热平衡。遗传算法的初始种群初始化网络划分知识在遗传算子交叉与通信需求知识指导。NP-DKGA应用程序映射技术运营两个阶段。第一阶段是执行方法分区的MPSoC应用程序中的所有核心为指定的分区映射基于网格网络知识初始种群。第二阶段涉及到使用基于知识的遗传算法多目标优化(DKGA)寻找帕累托最优映射。作者测试的有效性NP-DKGA几个真正的基准测试,结果显示整体改善最终的解的质量和收敛速度。使用UniMap拟议的技术实现和验证,一个统一的框架,NoC应用程序映射(9]。

本文的其余部分组织如下。部分2简要介绍一些相关的工作应用程序映射算法,主要关注网络划分和遗传算法。部分3提出了应用程序映射技术的基础上,结合网络分区和使用知识(DK)交叉的遗传算法在多目标环境中,以及他们的正式定义。部分4讨论了实验工作中使用的工具和仿真参数,并讨论实验结果。最后,部分5总结了论文,并建议未来的工作。

2。相关的工作

由于NoC应用程序映射的高潜力,许多算法被提出。一个详细的调查已经发表在应用程序映射(11]。第一个基于比特能量模型的映射算法,胡锦涛和分支定界法虽然玛卡里斯库使用,这样可以最小化能量消耗带宽的预订(12]。NMAP [13]映射算法提出了使用交通分割技术来最小化通信延迟。文献[14]比较几个应用程序映射算法使用能耗低能量模型。模拟退火(SA) [3,4,14)和遗传算法(5)也提出了应用程序映射技术来优化能源消耗使用能量模型。在[1,7,13,15- - - - - -17),应用程序映射优化是基于沟通成本的沟通核心之间的距离。这些应用程序映射技术只考虑能量最小化。应用程序映射实际上涉及到许多问题。只优化一个目标可能会导致其它目标更糟。因此,多目标技术是必要的。

文献[18)解决多目标问题用几个目标聚合成一个目标应用的重量。然而,很难决定每个目标的重要性,并相应地改变重量。一个小变化的重量完全不同的解决方案(19]。人口random-based初始映射的多目标进化算法优化执行时间和功耗使用SPEA2 [20.]。遗传算子提出了以随机的方式重新映射热点作为有效的遗传算子的选择有很大的影响最终的映射(20.]。在[18),跨界提出了基于交换交流与邻国核心的核心。

有一些交叉重新映射等技术热点[20.- - - - - -22],交叉转变[23),和循环交叉24]。所有这些不包括有用的NoC映射知识交叉技术。的收敛缓慢尤其是大规模NoC。领域知识提出了更快的收敛。在领域知识进化算法(5),映射相似交叉(MS)提出了父母之间保持基因的共同特征和其他基因使用贪婪的映射。映射相似的方法是能够处理在网状拓扑结构对称的问题,但技术增加了计算时间大大随着NoC大小的增加。

最大通信首先(LCF)初始化映射基于最大通信命令在中心和地方其余一个接一个地减少沟通成本。LCF可以产生良好的初始映射不同交通(尤其是大14]。然而,随着NoC大小的增加,排名位置基于通信的复杂性很难获得良好的映射。大型MPSoC系统可以划分为若干个簇(分区)。提出了基于集群的应用程序映射(1,15]。作者在1)提出了一种基于集群的放松为整数线性规划(独立)制定应用程序映射以达到最佳结果的时间范围内。HMMap [25]采用nondominated排序遗传algorithm-II (NSGA-II)决定分区组的相对位置,然后进一步映射前每组内的核相结合的分层映射到最终的映射。作者在24而基于分区的)提出了一个应用程序映射与near-convex地区大型NoC核心位置。然而,这三个核心技术地图并没有提高跨分区运动。虽然他们表现出较短的运行时,但最终映射质量是影响(24]。

基于Kernighan-Lin映射算法(吉隆坡)分区,称为LMAP,提出了探索通过翻转分区搜索空间和组以分层的方式(17]。参考文献(15,16)提出了基于集群的初始映射模拟退火(CSA)加快收敛算法的解决方案。这些作品显示出优势在运行时在不影响质量的解决方案相比,纯SA的方法。鉴于随机初始映射,优化模拟退火(OSA) [4),从而提高SA集群通信核心交换过程中隐式。阻塞性睡眠呼吸暂停综合症显示更好的质量相比,CSA的映射。然而,作者在5)表明,进化算法执行比阻塞性睡眠呼吸暂停综合症。粒子群优化(PSO)提出了确定初始搜索空间探索的映射(7]。基于领域知识应用于初始映射是贪婪的IP核在哪里放置在NoC拓扑降序排名的基础上沟通总成本在应用程序图。这个初始映射技术的缺点是类似性能的问题,而且很难获得良好的映射随着NoC大小的增加。

3所示。应用程序映射使用NP知识型GA

这提出了大规模NoC工作。本文提出一个应用程序映射技术,结合领域知识转化为遗传算法(NP-DKGA)最小化能耗与热平衡NoC沟通。图1显示了整个流的技术。网络划分最小化intertraffic分区之间高度沟通的核心在同一分区内。NP知识减少复杂性和探索潜在的映射空间的映射。然后遗传算法进化是基于知识的遗传算子的引导下,通信的要求。一些定义用于本文列出。

3.1。问题公式化

定义1。在应用程序特性图(APCG),是一个有向图,每个顶点在哪儿代表一个IP核心和每个边缘从顶点特征的通信总量位到顶点。顶点的重量代表每个IP核心的功耗和所有IP核的默认值是1。应用程序被认为是分配任务和计划每个顶点。

定义2。在NoC基于网格网络,是一个标签图,每个代表一个路由器和每个表示一个通道。所有路由器都可以有最多5端口4端口连接到邻近的路由器通过渠道和一个连接到处理核心。被放置在一个网格飞机与单位相邻路由器之间的距离。和表示和坐标一个路由器。

定义3。给定一个输入APCG、网络分区APCG分解成更小的子系统根据基于网格拓扑结构的大小。APCG将分区或分成分区,。网络分区在哪里每个分区的核心数量和吗是interpartition流量。网络划分的目的是减少interpartition交通(min-cut分区),受到限制,获得一个平衡的所有分区的处理器数量。

定义4。分区APCG包括分区位置的映射和核心位置。假设一个分区图和拓扑结构。在分区放置,基于网格拓扑分配某些地区,一个特定的分区,。的核心位置,其中每个顶点在每个分区与路由器相关联在指定拓扑地区。

3.2。遗传算法对大规模NoC应用程序映射

遗传算法模仿生物进化的过程。它包括几个重要的部分如下26]:(1)问题表示,(2)人口,(3)适应度函数,(4)父母和幸存者选择机制,(5)遗传算子(交叉和变异)。

遗传算法优化是基于人口的染色体的进化朝着一个更好的解决方案。为了优化问题,表示可能的解决方案是至关重要的。染色体排列是用于表示应用程序映射的问题。它由一系列基因,每个基因对应于一个瓷砖的网格拓扑结构。为网状拓扑中,染色体的长度基因。每个基因被分配一个整数代表一个IP核心这是连接到相应的路由器在每个瓷砖。图2显示了一个示例的整数编码的染色体网状拓扑结构。基因与路由器分配null值如果没有分配到IP核心路由器。有效的排列基因染色体不能有两个相同的整数,因为它将是一个核心连接到两个路由器。

在应用程序映射问题,遗传算法主要从人口随机生成的染色体。这对善良人口将评估基于预定义的适应度函数。适应度函数是基于优化目标,对单目标和多目标优化。然后,基于健身使用二进制染色体选择比赛的选择。选择两条染色体随机装配一个是允许执行交叉和变异繁殖新的后代有固定的概率。交叉和变异算法负责GA搜索空间探索和利用。新生成的后代和以前的人口成为交配池。钳工染色体有更高的生存机会给下一代。GA继续迭代,直到固定数量的迭代或终止条件。

3.3。网络划分的初始映射

网络划分一个大型NoC系统分解为较小的分区。在这个提议NoC应用程序映射,NP在两个阶段:实现网格拓扑分区和应用程序分区。在第一阶段,网状拓扑分为几个小区域,每个区域代表一个分区。分区的数量水平取决于大小的拓扑。的情况下,网格拓扑不能分为两部分,如和,方法分区可以实现。网状拓扑划分分区,每个分区的相同数量的瓷砖。如果每个分区的瓷砖数量不平衡,可能需要更大的NoC网络。图2显示了一个网状拓扑分区。分区从垂直分区,然后水平分区。如果生成网格分区,然后是一样的第二阶段所需的应用程序分区。

在第二阶段,multilevel-KL (Kernighan-Lin)分解算法IP核在APCG成两半然后在每个后续改进分区级别。这个算法是可用的查科(27]。选择由于其高质量的分区和是可伸缩的大型网络(27]。根据数量的网格应用程序分区的分区,每个分区可用的瓷砖。每个分区必须至少有四个可用的瓷砖。如果分区大小太小,NP组高度沟通芯的作用将是微不足道的。NP的目的是实现min-cut interpartition最低的交通。有一个约束,即核心平衡每个分区。图2显示了一个示例2级分区网状拓扑VOPD应用程序(10]。虚线显示第一级分区而dashed-dot行显示的二级分区VOPD应用程序。

两级NP的结果用于生成一个遗传算法的初始种群。而不是细节层次映射所有分区和核心,它是随机完成分配区域内的网格拓扑结构。随机放置分区和核心提供了人口的多样性。图3显示了NP初始种群的两个人VOPD [10)后应用程序随机分区和核心位置。min-cut分区技术,组织沟通核心在同一个分区提供了一个潜在的低能量映射。研究表明,初始种群可能影响最好的适应度函数值,这些影响可能持续几代28]。遗传算法将收敛于一个平衡独立的初始状态(28]。然而对于大规模NoC,可能映射空间非常巨大而减缓了收敛。因此,一个好的初始种群可能导致更快的收敛性和质量更好的解决方案。

3.4。基于知识的遗传算子

交叉是用于生产后代,钳工染色体形成新的种群搜索。提出了映射相似,后代保持父母的共同特征的sum-of-distance之间沟通核(5]。基因是评估一个接一个检查常见的特征。这是耗时的,特别是对于大规模和高通信的应用程序。

NP-based初始映射提供了潜在的映射。因此,我们建议保留方面的共同特征的父母在网状拓扑,利用搜索空间轨迹。然后,剩下的核映射贪婪地没有相似之处。这energy-bias交叉算法。因此,一个适当的突变算法需要探索搜索空间。我们不建议一种新的突变算法UniMap:但我们利用突变算法核心间交换(交换)和基于知识的变异使用模拟退火(阻塞性睡眠呼吸暂停综合症)。

本文提出了基于知识的遗传算法优化中描述的算法1。跨界点是根据随机设置自然遗传算法的随机行为。两个孩子染色体产生两个选择父母。父母之间的交叉后,如果分配给两个基因相同的索引,后者产生的染色体基因是贴上InvalidGene。核没有分配给任何基因都贴上UnmappedCores。

在这项工作中,我们应用了一个以知识为基础的(DK)交叉技术。的UnmappedCores将决定其与相邻路由器通信的InvalidGene。的UnmappedCores将重新映射到InvalidGene拥有最高的沟通NeighborCore。这样做交叉算法迭代,直到生成的孩子染色体到达人口规模。这个隐式聚类方法艾滋病GA探索低功率的有效映射空间的映射。

3.5。多目标优化

多目标优化是一个涉及多个目标的优化。在应用程序映射,高度沟通核心数据包传输路径短保持在一起。然而,它可能会导致热点在数据包网络和发生故障或路由器。一个最佳的映射应该不仅减少能源,还需要考虑这两个相互矛盾的目标。设计师需要做出决定基于帕累托集映射之间的权衡。帕累托最优映射nondominated所有目标函数的映射。

多目标独立应用程序映射是更好的治疗。SPEA2和NSGA2 (Nondominated排序遗传算法2)技术在UniMap获得帕累托映射。这两种技术找到最好的解决方案,技术给好的结果NoC应用程序映射(5]。

能量模型和热模型UniMap健身评价是可用的。一些能源模型广泛应用于应用程序映射能耗评价而热模型使用热点工具(29日]。一些能量在UniMap是优化模型可用,所需能源的数据从源核心目标的核心。考虑以下: 在哪里是路径的跳数从核心(即源的核心目标。,一个跳两个相邻路由器之间的距离)确定性路由,的能源消耗是相邻路由器之间的联系,然后呢的能源消耗是路由器。的和本文给出UniMap和使用。整体的能源消耗是所有能量的总和比特被传输。考虑 在哪里是一位从源的网络通信量核心目标的核心。如果位置不满足带宽约束,罚款将被添加到能源消耗,。

中使用的热模型UniMap热点工具(29日]。热平衡是通过最小化NoC的最大数额的子网。考虑以下:

NoC拓扑划分为更小的子网,每个子网将重叠相邻子网的大小。每个子网的最高温度估计基于提供的功率和面积。为每个核心权力执行时间和面积成正比有不同大小的NoC UniMap框架。

4所示。仿真结果和讨论

本节讨论仿真设置,工具和应用程序基准用于验证。然后,我们分析知识型初始映射在多目标环境下的有效性。我们也比较基于知识的遗传算子和状态——艺术UniMap中可用的遗传算子。拟议的技术验证使用几个标准(30.]。

4.1。仿真设置

MCSL交通基准套件(30.),支持多种NoC架构作为真正的交通在这个实验中痕迹。三个真实的应用程序中使用基于网格的体系结构包括在MSCL: Fpppp,稀疏,机器人。网络选择代表大规模NoC。此外,我们还实现一个215 -核心指标可用UniMap也用于(5]。这个应用程序映射是基于网格NoC和评估确定性路由。基于网格NoC选择大规模的可伸缩性和简单实现。

一个基于网格NoC架构是用于所有MCSL基准,而NoC大小是用于215 -核心基准。每个应用程序的所有任务安排和映射到IP核。数据包大小的MCSL基准提供信息,执行时间,内存和传输的依赖。动态信息传播依赖大幅增加仿真时间,特别是对大规模NoC。因此,只有数据包大小和执行时间。热点热模型的能耗信息需要使用每个IP核心MCSL中不可用。因此,每个核心力量的生成根据比率每个核心的执行时间超过总系统执行时间。215 -核心能力基准UniMap是可用的。

基准,实现网络分区使用查科(27]或hMetis(31日应用程序映射阶段之前)。查科执行二分分区而hMetis执行方法分区。分区的目的是集团在相同的分区和高度沟通的核心,同时,执行min-cut操作。因此,可以使用任何分区工具,实现目的。网络划分信息用于生成初始种群。每个模拟从相同的初始种群设置为每个基准提出NP-based或随机初始映射。

我们实现了我们的提出的技术到UniMap框架。UniMap是一个统一的框架应用程序映射算法的评价和优化NoC架构。我们利用多目标遗传算法环境中可用UniMap集成SPEA2从jMetal图书馆,多目标metaheuristics库。几个GA参数是固定的概率交叉变异的概率0.9和0.3。概率变异将根据我们分析阻塞性睡眠呼吸暂停综合症突变技术。这个工作不分析遗传算法的最优参数,而评估知识型初始种群和遗传算子的有效性在多目标环境中。GA的人口规模是设置为100基准和终止GA 500代。参数在SPEA2存档大小为10,来存储每一代的帕累托面前。其他参数都是基于在UniMap默认设置。

4.2。结果与讨论

我们首先分析的有效性NP初始映射使用SPEA2遗传算法在多目标环境中。拟议的DK交叉在多目标环境中实现UniMap框架。除了我们提出的交叉,映射相似(女士也是知识)和部分匹配交叉(PMX random-based)算法中可用UniMap选择评估知识的初始映射的有效性。交换和阻塞性睡眠呼吸暂停综合症,也可以在选择UniMap突变技术。表1显示所有不同的初始映射和遗传算法的结合来分析我们提出的技术。

图4显示了帕累托面前得到不同初始映射和遗传算子组合的最后一代。图4(一)显示显著提高尤其是在能源消耗方面当NP-based初始映射。然后,我们评估的有效性NP-based初始映射UniMap可用不同的交叉算法。数据4 (b)和4 (c)也显示在解决方案质量显著改善应用NP-based初始映射。质量改进是不仅限于能源消耗,还热的平衡。NP-based初始映射给出更好的解决方案映射无论遗传算子应用于优化。它提供了一个潜在space-search多目标遗传算法。

图5显示了帕累托前沿相结合通过结合所有的评估算法。图5(一个)显示nondominated解决方案组合帕累托方面从所有合并帕累托图4。合并后的帕累托方面显示所有映射从NP-based获得初始映射。NP-based初始映射的好处这一基准是些小的组合应用程序。因此,任何基于集群的应用程序都将获得更好的质量帕累托面前映射NP-based初始映射。与基于知识的遗传算子,NP-OSA-PMX NP-OSA-DK给好energy-bias映射。交叉女士不能达到帕累托方面在这个应用程序相结合。NP需要基于集群的应用程序以减少映射的复杂性和提高解决方案的质量。

数据5 (b)- - - - - -5 (d)显示从稀疏获得合并后的帕累托面前,Fpppp,机器人的基准。Random-based和NP-based初始映射两个出现在结合帕累托面前映射。然而,random-based初始映射只给好energy-bias但不平衡热映射。random-based初始映射,可以达到帕累托面前是一个隐式的使用OSA突变或DK交叉集群高度核心一起交流。NP-based初始映射可以给热的平衡,但在能源消耗有取舍。大多数多目标解决方案被发现使用OSA突变技术。

基准评估,只有DK和PMX交叉在帕累托。女士从未达到帕累托前一代相同的运行相结合。女士总是最快的融合能量最小化但不能达到帕累托。总的来说,DK交叉给更多的解决方案相比PMX好energy-bias映射。为更快的收敛,DK PMX相比,多目标优化表现更好。然而,如果最大代数量的增加,PMX可能给更好的帕累托的映射。

5。结论

本文提出了NP-DKGA使用网络划分为初始映射和多目标遗传算法对NoC DK交叉应用程序映射。该算法是针对大规模NoC。我们进行分析网络划分的有效性作为初始映射,以及提出了DK交叉在多目标环境中基于不同的基准。知识的初始映射显示在帕累托前相比明显改善random-based初始映射。我们提出了DK交叉给更好的帕累托面前映射相比,先进的交叉女士。如果没有施加模拟,仿真时间PMX可以提供一个良好的帕累托。如果模拟时间限制,NP初始映射是首选,特别是大规模的NoC。我们的实验表明,基于知识的初始映射适用与所有遗传算子。它不仅减少映射的复杂性,但它也给质量更好的帕累托面前映射。这项工作可以扩展到更准确的评估使用cycle-accurate NoC模拟器。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. s . Tosun”Network-on-Chip基于集群的应用程序映射方法,”工程软件的进步,42卷,不。10日,868 - 874年,2011页。视图:出版商的网站|谷歌学术搜索
2. r .虽然玛卡里斯库,y Ogras, l . Peh n . e . Jerger和y Hoskote”NoC杰出研究问题设计:系统,微体系结构,和电路的角度,“IEEE计算机辅助设计的集成电路和系统,28卷,不。1,3-21,2009页。视图:出版商的网站|谷歌学术搜索
3. 杨,l .广、t . Sntti和j . Plosila”Networks-on-Chip Parameter-optimized模拟退火对应用程序映射”学习和智能优化、y Hamadi和m . Schoenauer Eds。,Lecture Notes in Computer Science, pp. 307–322, Springer, Berlin, Germany, 2012.视图:谷歌学术搜索
4. c·拉和l . Vintan Network-on-Chip应用程序映射领域知识优化的模拟退火,”先进的智能控制系统和计算机科学,艾德。l . Dumitrache卷,187先进的智能系统和计算施普林格,页473 - 487年,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
5. c·拉、m . s . Mahbub和l . Vinţan”network-on-chip应用程序开发领域知识进化算法映射。”微处理器和微系统公司,37卷,不。1,第78 - 65页,2013。视图:出版商的网站|谷歌学术搜索
6. m . Arjomand s h·阿米里,h . Sarbazi-Azad”高效的遗传基础拓扑映射使用分析模型对片上网络,”计算机与系统科学杂志》上,卷79,不。4、492 - 513年,2013页。视图:出版商的网站|谷歌学术搜索|MathSciNet
7. p . k . Sahu t·沙阿k .吗哪,美国将“应用程序映射到基于网格Network-on-Chip使用离散粒子群优化,“IEEE超大规模集成电路(VLSI)系统,22卷,不。2、300 - 312年,2014页。视图:出版商的网站|谷歌学术搜索
8. b . Kazimipour、李x和a . k .秦“初始化大规模全局优化方法,”《IEEE国会进化计算(CEC的13)2013年6月,页2750 - 2757。视图:出版商的网站|谷歌学术搜索
9. c·拉优化算法Network-on-Chip应用程序映射[博士。论文)乔安尼斯大学,2011。
10. e . b . van der托尔和e . g . t .雅斯贝尔斯”映射的mpeg - 4解码一个灵活的架构平台,”媒体处理器2002,学报学报》,页1-13,圣何塞,加州,美国2002年1月。视图:出版商的网站|谷歌学术搜索
11. p . k . Sahu和美国将调查应用程序映射策略Network-on-Chip设计,“《系统架构卷,59号1、60 - 76、2013页。视图:出版商的网站|谷歌学术搜索
12. 胡锦涛和r . j .虽然玛卡里斯库”,节能意识映射下的基于题目NoC架构性能限制,”亚洲和南太平洋的程序设计自动化会议(ASP-DAC ' 03)IEEE,页233 - 239年,2003年1月。视图:出版商的网站|谷歌学术搜索
13. 美国Murali和g . De Micheli带宽有限的映射内核到NoC架构,”程序的设计、自动化和测试在欧洲会展2004年2月,页896 - 901。视图:出版商的网站|谷歌学术搜索
14. c . Marcon e·莫雷诺:Calazans, f·莫拉”比较network-on-chip映射算法针对能耗低,“专业电脑和数码技术,卷2,不。6,471 - 482年,2008页。视图:出版商的网站|谷歌学术搜索
15. 陆z、l .夏和a . Jantsch”基于集群的模拟退火核映射到二维网状网络芯片,”学报》第11届IEEE电子电路和系统的设计和诊断研讨会(DDECS ' 08),页1 - 6,布拉迪斯拉发、斯洛伐克、2008年4月。视图:出版商的网站|谷歌学术搜索
16. z的歌,y窦、m .郑和w·徐”快速映射方法核心到2 d网网络基于芯片”计算机工程与技术j·l·肖,p . Lu李和张c, Eds。卷,337通信在计算机和信息科学施普林格,页173 - 184年,柏林,德国,2013年。视图:谷歌学术搜索
17. p . k . Sahu:沙、k吗哪,美国将“一个新的应用程序映射算法基于网格network-on-chip设计”《IEEE印度年会(INDICON 10),页1 - 4,加尔各答,印度,2010年12月。视图:出版商的网站|谷歌学术搜索
18. a . a . Morgan h . Elmiligi m . w . EI-Kharashi和f . Gebali”NoC标准体系结构使用遗传算法的多目标优化,”学报第十届IEEE国际研讨会上信号处理和信息技术(ISSPIT 10)2010年12月,页85 - 90。视图:出版商的网站|谷歌学术搜索
19. s . g . Ficici“共同进化多目标优化和”多目标问题的解决从自然:从概念到应用程序j·诺尔斯,d·科恩和k . Deb, Eds。施普林格,纽约,纽约,美国,2007年。视图:谷歌学术搜索
20. g . Ascia诉卡塔尼亚,m . Palesi“多目标映射为基于网格NoC架构,”第二届IEEE / ACM /联合会国际会议硬件/软件合作设计和系统合成(代码+ iss ' 04)2004年9月,页182 - 187。视图:谷歌学术搜索
21. 答:答:摩根,Networks-on-Chip:建模、系统级抽象和特定于应用程序的体系结构定制[博士。论文)维多利亚大学,2011。
22. r·k·耶拿和g·k·沙玛,”应用程序映射网格based-NoC使用多目标遗传算法,”国际期刊《计算机和应用程序,30卷,不。1,17-22,2008页。视图:谷歌学术搜索
23. n . Nedjah m·席尔瓦和l .马赛Mourelle,“进化IP映射效率NoC使用多目标优化的系统设计,”创新工程问题的计算方法及其应用:Nedjah,桑托斯·l·科埃略,诉马里安尼,和l .马赛Mourelle, Eds。卷,357研究计算智能施普林格,页105 - 129年,柏林,德国,2011年。视图:谷歌学术搜索
24. w .张成泽和d·潘”networks-on-chip A3MAP: architecture-aware解析映射”第15届亚洲和南太平洋学报》设计自动化会议(ASP-DAC 10),页523 - 528,台北,台湾,2010年1月。视图:出版商的网站|谷歌学术搜索
25. h·林,d, l . Zhang x, x程,“快速分层多目标映射方法为基于网格networks-on-chip,”Acta Scientiarum生物数学学报,44卷,不。5,711 - 720年,2008页。视图:谷歌学术搜索
26. a . e . Eiben和j·e·史密斯,介绍了进化计算施普林格,2003年。视图:出版商的网站|MathSciNet
27. b . Hendrickson, r·利兰查科的用户指南2.0版,1995年。
28. h . Maaranen k .当天艳阳高照,a . Penttinen”在连续优化问题的遗传算法的初始种群,”杂志的全局优化,37卷,不。3、405 - 436年,2007页。视图:出版商的网站|谷歌学术搜索|MathSciNet
29. k . Skadron m·r·斯坦·k . Sankaranarayanan领导黄w . s . Velusamy和d . Tarjan”Temperature-aware微体系结构:建模和实现,”ACM交易架构和代码优化,1卷,不。1,第125 - 94页,2004。视图:谷歌学术搜索
30. j . w . Liu,吴x et al .,“NoC交通套件基于真实应用程序”《IEEE计算机学会学报年度研讨会上超大规模集成(ISVLSI 11)2011年7月,页66 - 71。视图:出版商的网站|谷歌学术搜索
31. g . Karypis诉Kumar,“多级k路超图分区,”学报》第36届ACM和IEEE设计自动化会议99年(DAC),页343 - 348,纽约,纽约,美国,1999年6月。视图:谷歌学术搜索

版权

版权©2014王树珍Tei等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。