Worst Case Execution Time Analysis for a Processor with Branch Prediction

The fundamental requirement for hard real-time systems is that task deadlines be never missed. As a consequence, knowing tasks worst case execution times (WCET) is crucial for such systems. Taking into account modern architectural features makes it possible to determine tighter WCET bounds than with program analysis that ignores such features. While effects of caches and pipelines on WCET analysis have been extensively studied, to our knowledge the effect of the branch prediction on WCET evaluation has not been studied yet. This paper describes a method for statically bounding the number of timing penalties due to erroneous branch predictions. The proposed method is based on static program analysis and branch target buffer modelling. It consists in collecting information on branch target buffer evolution by considering all possible execution paths of a program. Collected information can then be used to classify control transfer instructions so that their worst case branching cost can be estimated and incorporated into the program WCET. A method is also given to tightly predict the WCET of loops whose number of iterations depend on counter variables of outer loops. Experimental results show that the timing penalty due to wrong branch predictions estimated by the proposed technique is close to the real one, which demonstrates the practical applicability of our method.     

一种基于最大相似性的TSP问题求解算法

提出了一种新的基于最大相似性的TSP问题求解算法。该算法在最近邻算法(Nearest-Neighbor AIgorithm)的基础上作了改进,将最短路径问题转换为最大相似性问题,即将问题由选取城市iR1=arg min{dik:k∈V\{i1,i2,…,ii}}转换为选取城市ij 1=arg min{Wjk:k∈V\{i1,i2,…,ii}},Wjk为城市i与城市i之间的相似系数。实验结果表明,该算法简明旦具有较好的有效性。     

改进的遗传算法求解TSP问题

实际应用中经常用人工智能算法如遗传算法求解TSP等一类NP难题．针对原有的遗传算法在初始化种群随机性的缺陷以及在产生子代过程中无法保存最优个体的问题．给出基于贪心算法的种群初始化和交叉变异后最优个体保存算法相结合的改进遗传算法,并在VC＋＋平台上对该算法的实现过程进行动态演示。     

一种改进的求解TSP问题的近似算法

旅行商问题(TSP)是典型的具有NPC复杂性的组合优化问题。在现有求解TSP问题的2-近似算法closest-point算法基础上,通过对插入点的插入位置进行改进,提出了一种有效的近似算法最近点前后插入法(CPBOA),并采用TSPLIB中的一些典型实例对该算法进行了测试,同时与典型的常数近似比算法MST-PRIM算法和closest-point算法进行了比较。实验结果表明,该算法在求解质量上与closest-point和MST-PRIM算法相比都有很大的改进,而且速度也很快。     

A 2-Opt based differential evolution for global optimization

Differential evolution (DE) is a simple and effective global optimization algorithm. It has been successfully applied to solve a wide range of real-world optimization problems. However, DE has shown some weaknesses, especially the long computational times because of its stochastic nature. This drawback sometimes limits its application to optimization problems. Therefore we propose the 2-Opt based DE (2-Opt DE) which is inspired by 2-Opt algorithms to accelerate DE. The novel mutation schemes of 2-Opt DE, DE/2-Opt/1 and DE/2-Opt/2 are substituted for mutation schemes of the original DE namely DE/rand/1 and DE/rand/2. We also provide a comparison of 2-Opt DE to DE. A comprehensive set of 19 benchmark functions is employed for experimental verification. The experimental results confirm that 2-Opt DE outperforms the original DE in terms of solution accuracy and convergence speed.     

Runtime Analysis of an Ant Colony Optimization Algorithm for TSP Instances

Ant colony optimization (ACO) is a relatively new random heuristic approach for solving optimization problems. The main application of the ACO algorithm lies in the field of combinatorial optimization, and the traveling salesman problem (TSP) is the first benchmark problem to which the ACO algorithm has been applied. However, relatively few results on the runtime analysis of the ACO on the TSP are available. This paper presents the first rigorous analysis of a simple ACO algorithm called (1 + 1) MMAA (Max-Min ant algorithm) on the TSP. The expected runtime bounds for (1 + 1) MMAA on two TSP instances of complete and non-complete graphs are obtained. The influence of the parameters controlling the relative importance of pheromone trail versus visibility is also analyzed, and their choice is shown to have an impact on the expected runtime.     

求解TSP问题的一种混合遗传算法

文章针对TSP问题的特点,设计了一个求解TSP问题的混合遗传算法。该算法中设计了贪婪子路交叉算子,引入2OPT算子增强遗传算法的局部搜索能力,在选择算子设计中引入稳定状态选择机制。通过KroB100、pr136、pr144、kroB150、CHC144…问题的求解结果表明该遗传算法设计在求解TSP问题中是高效的。     

蚁群算法实现求解TSP问题

蚁群算法是一种模拟自然界蚂蚁群体觅食的仿生优化算法,本文主要介绍了蚂蚁系统算法的基本原理,并应用该算法使用C语言编程解决TSP问题,并对算法进行了时间复杂度的分析,证明了该算法的有效性。     

大规模旅行商问题的竞争决策算法

针对旅行商问题,利用竞争决策算法的通用模型,给出了一种基于竞争决策思想,能求解大规模和超大规模TSP问题的快速求解方法,经过大量数据测试和验证,获得了较好的结果.     

一种基于构建基因库求解TSP问题的遗传算法

传统的遗传算法通常被认为是自适应的随机搜索算法．该文在分析其特点后针对TSP问题提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge-GA)．该算法利用基因库指导种群的进化方向,并在此基础上使用全局搜索算子和局部搜索算子增强遗传算法的“探测”和“开发”能力．Ge-GA算法大大加快了遗传算法的收敛速度和寻优能力．作者测试了TSPLIB中的多个实例(城市数目从70～1577),试验结果与最优解的误差都不超过0．001％．特别是对于难求解的TSP问题,如att532和fl1577,都能够在理想的时间内找到最优解．     

改进模拟退火算法求解TSP问题

对模拟退火算法进行了改进,从不同的初始状态开始搜索来解决TSP问题,并将计算的结果与遗传算法的计算结果进行比较,优于文献[1]中遗传算法的结果。     

免疫模拟退火算法求解TSP

文章介绍了免疫学的一些基本理论,然后在模拟退火算法及免疫算法的基础上,提出了一种新的免疫模拟退火算法求解TSP。通过对CHN144以及标准的TSPLIB中的PR1002的数据进行测试,结果表明该算法具有良好的性能。     

蚁群算法的收敛性分析及其在TSP上的求解

根据基本蚁群算法的特点对其收敛性进行分析,给出寻找最短路径的蚁群算法收敛的充分条件.并把算法运用到旅行商问题上,试验结果表明该算法在求解TSP问题上解的精度优于组合优化算法以及遗传算法且收敛速度比较快.     

基于蚁群算法的TSP的改进求解算法

基于一种已有的用于连续空间问题的蚁群算法,将其修改为可以应用于TSP问题的算法,并付诸于试验当中。     

一种基于蚁群算法的TSP问题分段求解算法

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优伦算法的有力方法。对以蚁群算法为代表的群集群能的研究已经逐渐成为一个研究热点。该文首先在蚁群算法的基础上提出了相遇算法,提高了蚁群算法蚂蚁一次周游的质量,然后将相遇算法与采用并行策略的分段算法相结合,提出一种基于蚁群算法的TSP问题分段求解算法。实验结果表明该算法有较好的有效性。     

旅行商问题演化算法在NOW上的并行算法设计

介绍了当前求解TSP问题最好的演化算法之一：GT算法。文中重点设计了在NOW上求解旅行商问题GT算法的并行算法,详细描述了设计思路。设计策略。还给出了详细的并行算法描述。文中设计的并行算法已经在NOW上的PVM平台上实现。     

基于二点组合算法的旅行商问题应用性能分析

旅行商问题模型应用广泛,其求解策略的研究具有重要的理论和实践意义。为高效快速解决旅行商问题,给出一种基于环路改造的二点组合算法,即选取一条汉密尔顿环路作为目标解,任取两个顶点删除与之相关的边形成2至4个环路片断,对这些环路片断进行排列组合,尝试寻找更优的解替换目标解的方法。仿真实验结果表明,该算法的计算效率和计算误差性能皆优于蚁群算法,实际应用结果也表明本算法在解决中小规模旅行商问题时的实用性。因此,本算法具有较强的理论价值和较强的实用价值,可以较好地完成中等规模的TSP问题,且适用于一系列的优化组合问题。     

一种基于SOPC求解TSP问题的人工免疫算法

可编程片上系统SOPC是Altera公司近年来提出的一种灵活、高效的片上系统解决方案,它将处理器、存储器、I/O口等系统所需的组件集成到FPGA芯片上。在此平台上运用人工免疫算法解决已被证明是一个组合优化难题的TSP（旅行商）问题,仿真结果表明,该方法具有优良的收敛速度和防止陷入局部最小的能力。     

一种基于构建基因库求解TSP问题的遗传算法

在分析了已有的求解TSP问题的优化算法后,提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge_GA)。该算法的目的是用基因库指导整个种群的进化,其核心问题是基因库的建立及如何将基因库运用到遗传算法中。试验结果表明,基因库有效地提高了群体演化的质量,局部搜索与全局搜索的结合大大提高了算法收敛速度。对于每个测试的实例,其结果与最优解的误差都不超过0.001％。特别是对难于求解的TSP问题,如pcb442和n1577,都能够在理想的时间内找到最优解。