基于EDA的嵌入式系統(tǒng)軟硬件劃分方法

　　根據(jù)概率估計算法的不同，EDAs 分為一階EDAs 和高階EDAs 兩大類，其中，二階EDAs 中的建立在一般結(jié)構(gòu)Gauss 網(wǎng)絡(luò)上的分布估計算法（GN-EDA ）采用一種不使用條件概率密度函數(shù)來產(chǎn)生樣本的方法，無需進行Gauss 網(wǎng)絡(luò)結(jié)構(gòu)的學習，大大減少了計算量，而且可以獲得高精度的聯(lián)合密度函數(shù)[5]。

　　GN- EDA 的算法步驟為：

4 仿真試驗

　　算法采用C++ 在m IntelP41.6GHz 256MRam 環(huán)境下實現(xiàn)，CDFG 的結(jié)點數(shù)、時間約束、每個節(jié)點的信息、結(jié)點之間的連接關(guān)系都是隨機生成的。首先，隨機生成了 30、60、100 、200 個節(jié)點的 CDFG，并隨機生成了各個節(jié)點的性能參數(shù)，同時根據(jù)對節(jié)點的性能參數(shù)的分析，確定了系統(tǒng)的約束條件以及這些約束條件各自的權(quán)重。CDFG 硬件執(zhí)行時間為軟件執(zhí)行時間的20%~50%，硬件代價約束取值為總硬件代價之和的50% 。對每個 CDFG 都進行 100 次的測試，并將最終求出的最優(yōu)解的代價函數(shù)值的平均值同遺傳算法求出的值進行了比較，實驗數(shù)據(jù)如表 1 所示。

　　表 1 為60 節(jié)點系統(tǒng)隨機運行10 次的統(tǒng)計結(jié)果。從表中數(shù)據(jù)可以看出，與遺傳算法相比，本文提出的GN-EDA 算法在算法的執(zhí)行速度和搜索目標函數(shù)最優(yōu)值方面都有很大的優(yōu)勢。對于各節(jié)點數(shù)系統(tǒng)，尤其是對于較多節(jié)點數(shù)系統(tǒng)，GN-EDA 算法有更為優(yōu)化的結(jié)果，且劃分結(jié)果較為穩(wěn)定。

圖2 系統(tǒng)性能收斂曲線

　　圖 2 為 60 節(jié)點系統(tǒng)隨機運行30 次，劃分過程中平均每代最佳有效個體對應(yīng)的系統(tǒng)性能，從圖中可以看出GN-EDA 算法有很好的收斂性。

　　5 結(jié)論

　　本文作者創(chuàng)新點：運用一種建立在一般結(jié)構(gòu)Gauss 網(wǎng)絡(luò)上的分布估計算法對嵌入式系統(tǒng)軟硬件劃分問題進行了研究，該算法無需進行Gauss 網(wǎng)絡(luò)結(jié)構(gòu)的學習，大大減少了計算量，適用于處理日趨復雜的嵌入式系統(tǒng)軟硬件劃分問題。實驗結(jié)果表明，GN-EDA 算法能有效地完成軟硬件劃分，并具有較好的計算穩(wěn)定性。