改进PSO算法在软/硬件划分中的应用

针对嵌入式系统中的单MPU和单ASIC体系结构问题,提出一种改进粒子群算法,将该算法应用到数字音视频解码器的软/硬件划分中,一次运行可以获得较多Pareto最优解。讨论目标函数、系统约束、粒子比较准则、拥挤距离函数、变异算子和粒子适应度等问题的处理。实验结果表明,该算法改善了传统算法产生未成熟收敛、较少Pareto最优解和Pareto最优解前端分布不均匀的问题,增强算法的自适应性及结果的全局最优性。     

基于混沌神经网络的图像复原算法

文章提出了一种基于混沌神经网络的图像复原新算法。在对退化图像进行复原的过程中,针对Hopfield算法易于陷入局部极小的缺点,在Hopfield神经网络中引入暂态混沌和时变增益,充分利用混沌理论的全局搜索性能进行＂粗＂搜索,当搜索到全局最优解附近时,再利用Hopfield算法进行局部搜索。通过对图像复原后的效果进行比较,证明基于混沌神经网络方法得到的图像复原的信噪比更高,目视效果更加。     

基于局部禁忌搜索策略的连续空间蚁群算法

针对蚁群算法容易陷入局部最优解及搜索时间长等不足,引入一种基于连续空间的禁忌搜索算法,并将其与蚁群算法相结合,提出了一种引入禁忌搜索策略的蚁群算法,以求解连续对象优化问题。经测试验证了该算法不仅跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,表明算法的有效性。     

基于协同自适应禁忌的多时窗VRP算法实现

针对多时窗VRP,提出了一种对其进行求解的协同禁忌优化算法。首先定义了多时窗VRP的数学模型,通过C-W算法求初始解,采用四种算子进行邻域搜索,定义目标函数衡量候选解好坏;设计了自适应地修改禁忌长度的方法和多个子禁忌算法进行协同寻优的算法;将协同寻优获得的最好最优解作为主禁忌算法初始解进行全局寻优。仿真实验证明,该方法能有效地解决多时间窗的VRP,且与其他方法相比,以较少的迭代次数获得了全局最优解为386.38,具有较大的优越性。     

选煤厂信息物理系统任务调度研究

建立了选煤厂信息物理系统模型,将动态联盟思想引入选煤厂信息物理系统任务调度中,并提出了一种基于改进离散粒子群优化算法的选煤厂信息物理系统任务调度算法。该算法首先采用离散粒子群优化算法进行全局寻优,然后采用禁忌搜索算法进行局部搜索,求得全局最优解。仿真结果表明,该算法提高了任务调度的收敛速度、精度以及处理器的平均利用率。     

结合禁忌搜索的改进粒子群优化算法

为提高粒子群优化算法的全局搜索和局部开采能力,提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中,以线性递增的概率对最优粒子实施随机扰动,在全局搜索收敛到一定程度后,引入TS算法进行局部搜索,使算法快速收敛到全局最优解。分析结果表明,该算法收敛精度较高,能有效克服早熟收敛问题。     

基于自适应改进粒子群优化的数据离散化算法

针对经典粗糙集只能处理离散型属性的问题,提出一种基于自适应混合粒子群优化(AHPSO)的离散化算法。首先,引入自适应调整策略,以克服粒子群易陷入局部解的缺点,提高了粒子群全局寻优能力;然后对每一代全局最优粒子进行禁忌搜索(TS),得到当代最佳全局最优粒子,增强了粒子群局部搜索能力;最后,在保持决策表分类能力不变的情况下,将属性离散化分割点初始化为粒子群体,通过粒子间的相互作用得到最佳的离散化分割点。使用WEKA平台上的J48决策树分类方法,与基于属性重要度、信息熵的离散化算法相比,该算法的分类精度提升了10%~20%;与基于小生境离散粒子群优化(NDPSO)、参数线性递减粒子群的离散化算法相比,该算法的分类精度提升了2%~5%。实验结果表明,该算法显著地提高了J48决策树的分类学习精度,在对数据离散化时也有较好的性能。     

基于MMAS的多目标优化算法研究

针对多目标优化问题求解过程中多个目标相互制约难以求解的特点,为了多目标的协调优化,提出了一种基于最大最小蚁群算法(MMAS)的多目标优化蚁群算法.将蚁群算法的离散搜索机制映射到连续空间,修改了离散蚁群算法的行进规则和信息素的存留策略,使蚁群算法能够应用于解决解空间连续的问题.最大最小蚂蚁系统信息素取值方式的引入,极大地改善了蚁群算法搜索过程中容易陷入停滞的问题,尤其改善了蚁群算法在解空间的全局搜索能力.通过对两组测试函数求解的结果与其它方法比较,仿真结果表明所获得的最优解更多,分布范围更广,所求得的最优解集更加逼近真实的最优前沿.     

基于遗传和禁忌搜索混合算法的预制生产调度的研究

遗传算法是一种全局搜索能力较强的元启发式算法,可通过不断进化种群得到最优或近优解;但是遗传算法的局部搜索能力较差,容易发生早熟收敛问题。因此为了克服遗传算法早熟收敛的问题,考虑到禁忌搜索算法的局部搜索能力较强的优势,提出了一种遗传和禁忌搜索的混合算法解决预制生产流水车间的提前和拖期惩罚问题。该混合算法是在遗传算法每次迭代后,通过禁忌搜索改进当前种群中的最好染色体,并替换种群中适应度值最差的染色体。经实验测试表明,所提出的混合算法的性能更优,更容易得到全局最优解或近优解。     

改进的粒子群算法在VRP中的应用

将粒子群算法和禁忌搜索算法相结合构造禁忌搜索粒子群算法.提出一种对粒子群算法中全局最优解进行禁忌搜索的混合算法,扩展了粒子群算法进化方式.将其用于车辆路径优化问题求解.与基本粒子群算法相比较,结合禁忌搜索算法的粒子群算法明显提高了算法收敛速度和优化性能.     

嵌入式系统软硬件自动划分方法研究

软硬件划分一直是嵌入式系统软硬件协同设计中的难点,如果离开具体系统,单纯的软硬件划分,其性能很难评估。本文提出基于系统体系结构,应用遗传算法来进行多目标优化的软硬件自动划分方法。在具体设计中,使用数据流图对系统建模,采用邻接表进行个体编码,定义交叉、变异操作,同时引入小生境技术,保持解的多样性。该方法为嵌入式系统软硬件自动划分提供一种新思路。     

基于遗传和禁忌搜索混合的软硬件划分算法

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和禁忌搜索（TS）各自优缺点的基础上,提出采用遗传/禁忌混合算法（GATS）的策略,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子,遗传算法中变异过程解空间的搜索由禁忌搜索实现。实验结果表明,GATS具有多出发点和记忆功能强、爬山能力强的优势,能够克服GA爬山能力差、TS单点出发的弱点。最后与单纯的遗传算法和禁忌搜索算法进行对比实验,证明GATS更有优势,得到的划分结果也更优秀。     

Algorithmic aspects of area-efficient hardware/software partitioning

Area efficiency is one of the major considerations in constraint aware hardware/software partitioning process. This paper focuses on the algorithmic aspects for hardware/software partitioning with the objective of minimizing area utilization under the constraints of execution time and power consumption. An efficient heuristic algorithm running in O(n log n) is proposed by extending the method devised for solving the 0-1 knapsack problem. Also, an exact algorithm based on dynamic programming is proposed to produce the optimal solution for small-sized problems. Simulation results show that the proposed heuristic algorithm yields very good approximate solutions while dramatically reducing the execution time.     

基于多性能指标的SoC软硬件划分方法研究

针对存在多种因素影响嵌入式系统综合性能的实际情况,详细分析了影响嵌入式系统性能的各项性能指标,提出了一种基于多性能指标评价的软硬件协同划分思想。利用SoC可重用的特性,将IP核复用及软件架构重用引入到软硬件划分算法当中。通过功能模块层的抽象,将复杂的嵌入式系统构成映射到数学上的DAG（Direct Acyclic Graph）之上。提出了性能指标优先级的概念,并通过在算法中加入对给定的参数数据预先处理及引入运筹学中分支定界的思想,优化了算法的求解,加快了算法的收敛速度,较之单纯的整个空间的条件遍历更优。     

软硬件协同设计中的软硬件划分方法综述

近年来,随着信息领域的物联网、工业互联网、机器人等研究热点发展,嵌入式系统技术再次得到科技工作者和工程师的广泛关注和重视,同时嵌入式系统产品的集成度和性能要求越来越高.软硬件协同设计是开发嵌入式系统产品的重要方法之一,而软硬件划分是软硬件协同设计中的关键技术.本文对现有软硬件划分方法从不同层面进行梳理和分类,重点介绍几种常用的软硬件划分方法,并结合实例进行了详细阐述,最后对这几种方法进行综合比较,供嵌入式系统开发科技工作者和工程师参考.     

A hardware/software partitioning algorithm based on artificial immune principles

Hardware/software codesign is the main approach to designing the embedded systems. One of the primary steps of the hardware/software codesign is the hardware/software partitioning. A good partitioning scheme is a tradeoff of some constraints, such as power, size, performance, and so on. Inspired by both negative selection model and evolutionary mechanism of the biological immune system, an evolutionary negative selection algorithm for hardware/software partitioning, namely ENSA-HSP, is proposed in this paper. This ENSA-HSP algorithm is proved to be convergent, and its ability to escape from the local optimum is also analyzed. The experimental results demonstrate that ENSA-HSP is more efficient than traditional evolutionary algorithm.     

Algorithmic aspects for multiple-choice hardware/software partitioning

Hardware–software partitioning (HW/SW) divides an application into software and hardware. It is one of the crucial steps in embedded system design. For a given task, hardware with different areas may provide different execution speeds due to the potential of parallel execution in hardware implementation. Thus, one task may have multiple-choice in hardware implementation according to the available hardware areas. Existing HW/SW partitioning approaches typically consider only a single implementation manner in hardware, overlooking the multiple-choice of hardware implementations. This paper presents a computing model to cater for the HW/SW partitioning problems with the multiple-choice implementation in hardware. An efficient heuristic algorithm is proposed to rapidly generate approximate solution, that is further refined by a tabu search algorithm also customized in this paper. Moreover, a dynamic programming algorithm is proposed for the exact solution of the relatively small problems. Extensive simulation results show that the approximate solutions are very close to the exact ones, and they can be refined by tabu search to the solutions with the error no more than 1.5% for all cases considered in this paper.     

多选择软硬件划分问题的计算模型与动态规划算法

软硬件划分是软硬件协同设计的关键环节,划分的结果直接影响目标系统的设计质量。因此,对于一个给定的应用程序,为了使得目标系统快速执行且成本低廉,合理的划分策略十分重要。由于单个任务具有多种不同的硬件实现方式,与传统的单一硬件实现方式的软硬件划分问题相比,多选择的软硬件划分更能客观地反映现实应用。这导致问题的求解更具挑战性,它们已被证明是NP完全问题。基于多核处理器片上系统并针对任务图为二叉树的应用,建立了多选择软硬件划分问题的计算模型,并提出了解决该问题的动态规划算法。实验结果表明,当问题规模适中时,所提动态规划算法能够有效地获得精确解,并展示了算法的计算能力与硬件面积限制之间的关系。     

粒子群优化在嵌入式软硬件划分中的应用

针对嵌入式系统设计中的软硬件划分问题,提出了一种基于粒子群优化(PSO)算法的划分策略,并将该算法与整数线性规划、遗传算法、蚁群算法等进行计算机仿真比较。结果表明,该方法获得的最优解优于遗传算法和蚁群算法两种元启发式算法,充分接近由整数线性规划得到的最优解;在算法执行时间方面,该方法也优于其它三种算法。     

嵌入式系统的软硬件划分

嵌入式系统软硬件协同设计中的关键步骤之一是软硬件划分。现有的许多软硬件划分方法都试图捕获太多有关划分问题和目标结构的细节，可扩展性差。本文提出了一种简化的软硬件划分问题模型，这种简化模型能分别对不同的划分问题进行形式化定义。在此模型的基础上，本文给出了基于ILP的算法和遗传算法。实验结果表明，我们的遗传算法能有效地解决千万个节点规模的划分问题，并获得近似最优解。