如何实现使用一个多目标优化的启发式优化多核设计。
技术,如自动汽车和5 g通信看到数量的迅速增加处理元素(PE) /平台。软件专业人员用来编程一个,两个或几个核心,游戏现在已经改变。英特尔的许多集成的核心架构[3]包含78芯,Nvidia Tegraξ[2]260核和Adapteva Epiphany-V[1]有1024个核心。未来系统将利用平台与成千上万的核心,这带来了许多新的挑战。了解你的系统从来没有
是更重要的。
多处理器上的并行应用程序映射soc (MPSoC)平台是指并行应用程序到PEs的分配不同的任务。映射通常表现为某种映射目标,如会议的最后期限,提高性能,减少能源/电力消耗和优化内存吞吐量。基于目标的映射被认为是一个np完全问题[4]。这意味着它不太可能为一个方法在多项式时间内找到最优映射解决方案。此外,搜索空间的映射(MSS)生长指数与MPSoC平台和/或并行应用程序的复杂性增加。因此,人们提出了不同的映射算法和启发式探索海量存储系统(MSS)中找到一个程序可以实现所需的映射客观标准。
越来越多的应用程序需要多个目标同时优化。这被称为多目标优化。通常,这些目标可以矛盾的性质和可能导致多个解决方案有不同结果的优化目标。在这种情况下,多目标优化可以产生一组最优解,代表不同的客观值之间的权衡。解集被称为帕累托最优设置或帕累托的解决方案。
找到帕累托最优解的一个方法是分析所有可能的映射解决方案出现在海量存储系统(MSS)中。例如,通过使用穷举搜索或蛮力搜索技术。这通常是不可行的,因为长时间探索或资源需求。另外,使用多目标进化算法(MOEA)。MOEAs meta-heuristics可以提供一组最优解附近勘探时间显著降低[6]。
点击在这里阅读更多。
|
|
|
|
|
|
|
|
|
|
留下一个回复