适配粒子群方法与其在SOC参数设计上的应用

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (27): 201-205.

适配粒子群方法与其在SOC参数设计上的应用

蒋程涛,邵世煌

东华大学信息科学与技术学院,上海 200051

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-21 发布日期:2007-09-21
通讯作者: 蒋程涛

Suitable-distribution particle swarm applying to SOC architectural parameters design

JIANG Cheng-tao,SHAO Shi-huang

College of Information Science & Technology,Donghua University,Shanghai 200051,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-21 Published:2007-09-21
Contact: JIANG Cheng-tao

摘要/Abstract

摘要： 提出了一种基于适配粒子群的多目标优化方法,其精英集由搜索过程中适配值较高的非劣解构成。适配半径的提出有利于保持精英集中个体的差异性,使得解集能够在目标空间中均匀分布。将该多目标优化方法应用于SOC结构参数设计,并且给出了针对粒子群速度向量的三元离散化方法。实验表明,该优化方法得到的SOC结构参数配置,在以功耗和执行时间组成的二维目标空间中有良好的分散性和非支配性,并且该方法大大缩短了SOC结构参数的搜索时间。

关键词: 适配, 粒子群, 多目标优化, 片上系统, 参数设计

Abstract: A novel multi-objective optimization based on Suitable-Distribution Particle Swarm（SDPS） is discussed in this paper.The elitism set is made up of non-dominated solutions with high Suitable-Distribution Value（SDV）.The suitable-distribution radius is proposed to guarantee the diversity of the individuals in the elitism set and make them well distributed in the objective space.SDPS is applied to SOC architectural parameters design and a triple discretization method is used to discretize the velocity vector of the particles.The experimental result indicates that,within the two dimension objective space composed of power consumption and executive time cost,the configurations gained by SDPS have well distribution and nondominance and SDPS is very efficient in SOC architectural parameters searching.

Key words: suitable-distribution, particle swarm, multi-objective optimization, SOC, architectural parameters design

蒋程涛,邵世煌. 适配粒子群方法与其在SOC参数设计上的应用[J]. 计算机工程与应用, 2007, 43(27): 201-205.

JIANG Cheng-tao,SHAO Shi-huang. Suitable-distribution particle swarm applying to SOC architectural parameters design[J]. Computer Engineering and Applications, 2007, 43(27): 201-205.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[5]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[6]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[7]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[8]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[9]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[10]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[11]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[12]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[13]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[14]	梁田，曹德欣. 基于莱维飞行的改进简化粒子群算法[J]. 计算机工程与应用, 2021, 57(20): 188-196.
[15]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.