一種保證質量的快速軟硬件劃分方法
【技術領域】
[0001] 本發(fā)明涉及計算機技術領域，具體涉及一種對嵌入式系統(tǒng)模型進行軟硬件劃分的 方法。
【背景技術】
[0002] 隨著嵌入式系統(tǒng)與微電子技術的飛速發(fā)展，硬件的集成度越來越高，這使得將 CPU、存儲器和I/O設備集成到一個硅片上成為可能，S0C應運而生，并以其集成度高、可靠性 好、產(chǎn)品問世周期短等特點逐步成為當前嵌入式系統(tǒng)設計技術的主流。
[0003] 針對嵌入式系統(tǒng)Soc設計面臨的問題與挑戰(zhàn)，研究者們開始探索新的設計方法 學--軟硬件協(xié)同設計(Hardware/Software Co-Design)方法學。軟硬件協(xié)同設計不僅是 一種設計技術，同時也是種新的設計方法學，其核心問題是協(xié)調軟件子系統(tǒng)和硬件子系統(tǒng)。 與傳統(tǒng)的嵌入式系統(tǒng)設計方法不同，軟硬件協(xié)同設計強調軟件和硬件設計開發(fā)的并行性和 相互反饋，如圖1所示，克服了傳統(tǒng)方法中把軟件和硬件分開設計所帶來的種種弊端，協(xié)調 軟件和硬件之間的制約關系，達到系統(tǒng)高效工作的目的，軟硬件協(xié)同設計提高了設計抽象 的層次，拓展了設計覆蓋的范圍。
[0004] 軟硬件劃分是軟硬件協(xié)同設計中的一個關鍵技術。軟硬件劃分是指在系統(tǒng)設計過 程中，給每個功能模塊分配一種實現(xiàn)方式，或者是硬件電路實現(xiàn)，或者是在通用處理器上用 軟件代碼實現(xiàn)。軟件實現(xiàn)成本較低并且?guī)缀醪徽加眯酒娣e，但速度較慢;而硬件實現(xiàn)速度 很快但會占用較大芯片面積并且成本較高。
[0005] 軟硬件劃分的目的是綜合軟件和硬件各自的優(yōu)點，根據(jù)所設計的具體系統(tǒng)的特性 和用戶對各種性能指標的要求，給出一個能兼顧各個屬性并滿足系統(tǒng)要求的分配方案。一 個好的劃分方案可以減少資源的使用、降低系統(tǒng)的成本，為后面的設計與開發(fā)打好基礎，而 要得到好的劃分方案就必須有好的劃分算法，劃分算法性能不佳會導致開發(fā)周期的增加， 甚至影響整個開發(fā)過程。
[0006] 任務圖用來對劃分目標進行建模，任務圖為一個有向無環(huán)圖，它重點描述系統(tǒng)中 任務之間的數(shù)據(jù)、控制關系以及每個節(jié)點的參數(shù)信息，而與現(xiàn)實中系統(tǒng)采用的具體體系結 構無關。任務圖的每個節(jié)點代表一個任務，節(jié)點的屬性包含該任務分別用軟件和硬件實現(xiàn) 所需的面積、時間、成本和功耗，任務圖的每條有向邊上有一個權值，表示與其相連的兩個 節(jié)點采用不同實現(xiàn)方式時的通信功耗。對一個用任務圖描述的嵌入式系進行軟硬件劃分的 例子如圖2所示。
[0007] 啟發(fā)式算法(Heuristic Algorithm)是相對于最優(yōu)化算法提出的。一個問題的最 優(yōu)算法求得該問題每個實例的最優(yōu)解。啟發(fā)式算法可以這樣定義:一個基于直觀或經(jīng)驗構 造的算法，在可接受的花費(指計算時間和空間）下給出待解決組合優(yōu)化問題每一個實例的 一個可行解，該可行解與最優(yōu)解的偏離程度一般不能被預計。
[0008] 遺傳算法(Genetic Algorithm)是模擬達爾文生物進化論的自然選擇和遺傳學機 理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優(yōu)解的方法。遺傳算 法是從代表問題可能潛在的解集的一個種群開始的，而一個種群則由經(jīng)過基因編碼的一定 數(shù)目的個體組成。每個個體實際上是染色體帶有特征的實體。染色體作為遺傳物質的主要 載體，即多個基因的集合，其內部表現(xiàn)（即基因型)是某種基因組合，它決定了個體的形狀的 外部表現(xiàn)，如黑頭發(fā)的特征是由染色體中控制這一特征的某種基因組合決定的。因此，在一 開始需要實現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。由于仿照基因編碼的工作很復雜，往 往進行簡化，如二進制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代演 化產(chǎn)生出越來越好的近似解，在每一代，根據(jù)問題域中個體的適應度大小選擇個體，并借助 于自然遺傳學的遺傳算子進行組合交叉和變異，產(chǎn)生出代表新的解集的種群。這個過程將 導致種群像自然進化一樣的后生代種群比前代更加適應于環(huán)境，末代種群中的最優(yōu)個體經(jīng) 過解碼，可以作為問題近似最優(yōu)解。遺傳算法整體流程如圖3。然而，遺傳算法存在耗時較長 的缺點。
[0009] 生物免疫系統(tǒng)是一個自適應和自組織的系統(tǒng)，具有強大的信息處理能力。生物免 疫系統(tǒng)的主要作用是能夠辨別"自己"與"異己"物質，只對非自體成份的抗原作出免疫應 答，對"自體"成份形成免疫耐受，并具有排除與記憶非己的功能。而陰性選擇算法是免疫系 統(tǒng)識別非自體，對自體形成自我耐受的關鍵所在，因此成為核心免疫算法之一，其性能對整 個免疫系統(tǒng)具有重要意義。陰性選擇算法的一個主要優(yōu)點就是在未知的狀態(tài)下可以對非我 模式進行有效的防御。陰性選擇算法整體流程如圖4。然后，陰性選擇算法結果隨機性打、容 易陷入局部最優(yōu)的缺點。

【發(fā)明內容】

[0010] 針對現(xiàn)有技術的不足，本發(fā)明旨在提供一種保證質量的快速軟硬件劃分方法，基 于遺傳算法和陰性選擇算法的軟硬件劃分方法來軟硬件劃分的速度以及提高最終劃分方 案的質量和分布的廣泛性。
[0011] 為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：
[0012] -種保證質量的快速軟硬件劃分方法，包括如下步驟：
[0013] S1給定一個描述嵌入式系統(tǒng)的任務圖，首先進行參數(shù)和數(shù)據(jù)結構設置，包括自我 集self、自我集更新長度aSelf、自我集最小匹配長度bSelf、記錄每個基因位上0的濃度的 數(shù)組(3〇11818七611〇6_0和記錄每個基因位上1的濃度的數(shù)組〇〇11818七611〇6_1、交叉概率?〇和變 異概率Pm;
[0014] S2根據(jù)編碼碼長和當前進化代數(shù)更新自我集最小匹配長度bSelf;
[0015] S3產(chǎn)生一個新的種群，把個體每一位上0和1的等位基因濃度作為概率，隨機設置 所有個體每一位上的值；
[0016] S4使用自我集對步驟S3中產(chǎn)生的種群進行陰性選擇，把不滿足條件的個體淘汰 掉，然后將上一代保留的優(yōu)秀個體加入到種群中；
[0017] S5計算個體在每個子目標函數(shù)上的取值，并根據(jù)種群的整體狀態(tài)更新種群中每個 個體的狀態(tài)；
[0018] S6從種群中獲取滿足限制條件的有效解作為優(yōu)秀個體保留；
[0019] S7使用帶海明距離檢測的均勻兩點交叉算子對種群進行交叉運算；
[0020] S8使用考慮等位基因的多樣性的變異算子對種群進行變異運算；
[0021] S9按照步驟S5對每個個體的狀態(tài)進行更新，調整每一位的等位基因濃度，并根據(jù) 種群特性更新自我集；
[0022] S10判斷是否達到最大進化代數(shù)，如果是，則退出；否則將當前進化代數(shù)加1并返回 步驟S2開始下一代進化，以尋找更好的解。
[0023]需要說明的是，所述步驟S1的具體方法如下：
[0024] 1.1)設置自我集更新長度aSelf為編碼長度的二分之一；
[0025] 1.2)設置自我集最小匹配長度bSelf為編碼長度的五分之一；
[0026] 1.3)設置各個基因位0和1的濃度默認值為5000;
[0027] 1.4)初始化自我集，把每一位都設置為2，當某一位為2時表示該位為空；
[0028] 1.5)設置交叉概率Pc和變異概率Pm。
[0029]需要說明的是，步驟S2中，具體按下式對自我集最小匹配長度bSelf進行更新：
[0031]其中L為編碼長度，gen為當前進化代數(shù)，Maxgen為最大進化代數(shù)，η為一個用于調 整的參數(shù)。
[0032]需要說明的是，步驟S3的具體方法如下：
[0033] 3.1)產(chǎn)生一個新的種群，其中包括2L個新個體，L為編碼長度，并初始化所有個體 的每一位為空；
[0034] 3.2)對于步驟3.1)中所得種群的所有個體，循環(huán)處理其中的每一位;其中，單個個 體的處理過程如下：
[0035] 3 · 2 · 1)對于當前位，產(chǎn)生一個隨機數(shù)rd;
[0036] 3.2.2)計算該位上0的濃度除以0和1濃度之和的值proportion;
[0037] 3 · 2 · 3)如果在步驟3 · 2 · 1)中所得的rd小于在步驟3 · 2 · 3)計算所得的proportion， 則設置該位為〇;否則設置該位為1;
[0038] 3.2.4)判斷是否所有位均被處理完畢，如果是，則結束當前個體的處理，并轉至處 理下一個個體，否則轉至下一位，并返回至步驟3.2.1);
[0039] 3.3)所有個體均按照步驟3.2.1)-3.2.4)的方法進行處理后，轉至執(zhí)行步驟S4。
[0040] 需要說明的是，步驟S4中的具體方法如下：
[0041] 4.1)對于步驟S3最終得到的種群，將其中的每一個個體分別與自我集進行按位比 較，得到每個個體中與自我集不相同的位的個數(shù)，即海明距離的d;
[0042] 4.2)對于每個個體，如果d小于自我集最小匹配長度bSelf，則把該個體從種群中 剔除，否則保留該個體；
[0043] 4.3)所有個體處理完畢后，將上一代保留的優(yōu)秀個體加當前的種群中。
[0044] 需要說明的是，步驟S5中，每個個體的狀態(tài)具體為個體在每個子目標函數(shù)上的值， 以及根據(jù)對這些子目標函數(shù)值進行排序后得到的等級而計算出的適應度值，所述子目標函 數(shù)包括面積函數(shù)、成本函數(shù)和功耗函數(shù);所述步驟S5的具體方法如下：
[0045] 5.1)按下式計算并更新每個個體的面積：
[0047] 其中N為種群中個體的數(shù)量，對于種群中任意一個節(jié)點i，wi為節(jié)點i的實現(xiàn)方式， 值為〇代表軟件實現(xiàn)，值為1代表硬件實現(xiàn)，AHHf表節(jié)點i用硬件實現(xiàn)時所占用的芯片面積， 用軟件實現(xiàn)時占用芯片面積為〇;
[0048] 5.2)按下式計算并更新每個個體的成本：
[0050]其中Wi為節(jié)點i的實現(xiàn)方式，值為0代表軟件實現(xiàn)，值為1代表硬件實現(xiàn)，CHi和CSi分 別代表節(jié)點i用硬件實現(xiàn)和用軟件實現(xiàn)時的成本；
[0051 ] 5.3)對于每個個體，按如下公式計算并更新功耗：
[0053]其中，wi為節(jié)點i的實現(xiàn)方式，值為0代表軟件實現(xiàn)，值為1代表硬件實現(xiàn)，PHi和PSi 分別代表節(jié)點i用硬件實現(xiàn)和用軟件實現(xiàn)時的功耗，CPHjPCSHi分別為節(jié)點i用硬件實現(xiàn)時 與所有前驅節(jié)點和所有后繼節(jié)點之間的通信功耗，CPSi和CSSi分別為