基于自适应模拟退火的NoC映射算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (23): 58-62.

基于自适应模拟退火的NoC映射算法

车晶，张瑛

南京邮电大学电子科学与工程学院，南京 210046

出版日期:2012-08-11 发布日期:2012-08-21

Self-adaptive simulated annealing based mapping algorithm for network on chip

CHE Jing, ZHANG Ying

College of Electronic Science and Engineering, Nanjing University of Posts & Telecommunications, Nanjing 210046, China

Online:2012-08-11 Published:2012-08-21

摘要/Abstract

摘要： 在片上网络（Network on Chip，NoC）系统中，如何完成应用特征图到结构特征图的映射是影响系统实际性能的关键步骤之一。针对NoC系统越发庞大，映射算法耗时也随之增加的问题，提出了自适应模拟退火（Self-Adaptive Simulated Annealing，SASA）的NoC映射算法。采用相对平滑方式实现温度下降过程，针对模拟退火算法易陷于局部最优的缺点，采用自适应方法改变新解生成方式，提高了算法收敛于全局最优的概率。实验结果表明，该算法与常见NoC映射算法（如基于遗传的映射算法）相比，平均性能提升了5.3%，耗时缩短了11.1%。

关键词: 片上网络, 映射算法, 自适应, 模拟退火

Abstract: In the system of Network on Chip（NoC）, how to map an application characterization graph to an architecture characterization graph is a key step which has a great influence on the system performance. Considering that the time consumption of mapping algorithm increases along with the increasing NoC sizes, an Self-Adaptive Simulated Annealing（SASA） based mapping algorithm for NoC is proposed. A smoothly cooling down process is adopted in the SASA. To avoid being trapped in the local optimum, the way to generate new solutions is changed adaptively in order to improve the probability of finding the global optimum. Experimental results show that compared with the traditional mapping algorithms（such as ant colony or genetic based mapping algorithms）, the SASA can improve the average performance 5.3% and save the time consumption 11.1%.

Key words: network on chip, mapping algoritm, self-adaptively, simulated annealing

车晶，张瑛. 基于自适应模拟退火的NoC映射算法[J]. 计算机工程与应用, 2012, 48(23): 58-62.

CHE Jing, ZHANG Ying. Self-adaptive simulated annealing based mapping algorithm for network on chip[J]. Computer Engineering and Applications, 2012, 48(23): 58-62.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[3]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[4]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[5]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[6]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[7]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[8]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[9]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[10]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[11]	肖振久，孔祥旭，宗佳旭，杨玥莹. 自适应聚焦损失的图像目标检测算法[J]. 计算机工程与应用, 2021, 57(23): 185-192.
[12]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[13]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.
[14]	陈瑶，陈思. 基于自适应多普勒及动态邻域的改进BA算法[J]. 计算机工程与应用, 2021, 57(22): 166-176.
[15]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.