CN110912718A - 一种降低异构三维片上网络布图功耗的方法 - Google Patents

一种降低异构三维片上网络布图功耗的方法 Download PDF

Info

Publication number
CN110912718A
CN110912718A CN201811071157.8A CN201811071157A CN110912718A CN 110912718 A CN110912718 A CN 110912718A CN 201811071157 A CN201811071157 A CN 201811071157A CN 110912718 A CN110912718 A CN 110912718A
Authority
CN
China
Prior art keywords
power consumption
algorithm
layout
core
chip
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811071157.8A
Other languages
English (en)
Inventor
刘正轩
宋国治
张智慧
周一杰
成方圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201811071157.8A priority Critical patent/CN110912718A/zh
Publication of CN110912718A publication Critical patent/CN110912718A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提出了一种降低异构三维片上网络布图功耗的方法，其基本思路是将工业工程的SLP(System Layout Planning)思想应用到片上网络布图领域，再结合智能优化算法对其功耗进行优化，并且使各个IP核之间关系度最高。通过将不同测试用例中通信的功耗与之前对比，从而验证我们算法的优越性，来达到减小片上网络功耗的目的。实验结果表明，采用***布图优化算法解决NoC布图规划问题可以降低功耗，并通过对实验数据的分析和解释得到了若干有益的结论。从总体趋势来看，随着IP核之间平均通信量的增加功耗降低幅度逐渐减小，当IP核之间的平均核通信量在1000Mbps以内时，总功耗平均降低了40.51％。

Description

一种降低异构三维片上网络布图功耗的方法
技术领域
本发明属于集成电路，智能优化算法及工业工程SLP的交叉学科领域，具体设计一种降低异构三维片上网络布图功耗的方法。
背景技术
随着处理器朝着多核方向的发展，越来越多的IP要集成在芯片上，IP核之间的连线也越来越复杂，传统的总线互联结构已经不足以满足越来越高的要求。因此，趋向于使用有低功耗，高带宽等特性的片上网络逐步地替代传统总线互联结构。
片上网络按照拓扑结构分为常规片上网络和面向应用片上网络。常规片上网络基于规则网格设计拓扑结构，因此要求内核尺寸相近，但这种方式并不适用于异构片上网络。而面向应用的片上网络在设计时，可以根据不同的IP核的尺寸特征以及通行量等信息进行针对性的设计，以达到降低芯片功耗，提升性能等目的。
因为布图规划是NP(Non-deterministic Polynomial)问题，但是由于NP完全问题的特殊性，即随着问题规模的不断扩大，问题的解空间会呈现指数级的增长，使得常规求解方法失效，因而对复杂的布图问题，智能优化算法(如模拟退火、粒子群)常常被大量采用。但是在我们研究大量文献之后，传统的智能优化算法可以寻找最优解，优化布图但是并未直接得到具体的布图方案。
我们发现在诸如仓库功能区***等宏观的***中，设施的布置问题，与芯片上的IP核的布置有许多的相似点。在工业工程经常使用SLP思想来对宏观的***设施进行布置，因此，我们首次使用SLP方法来对芯片的IP核的进行布图。
SLP是1961年缪瑟提出的一种久负盛名的经典***布局方法。这种方法将物流分析和作业单位相互关系结合在一起，建立一个相关图，表示各部门的密切程度。相关图类似于车间之间的物流图。相关图要用试算法进行调整，直到得到满意方案为止。接下来就要根据建筑的容积来合理地安排各个部门。为了便于对布置方案进行评价，***布置设计也要对方案进行量化。根据密切程度的不同赋予权重，然后试验不同的布置方案，最后选择得分最高的布置方案。在传统的***布置设计SLP方法中将研究工程布置问题的依据和切入点归纳为P-产品、Q-产量、R-工艺过程、S-辅助部门、T-时间5个基本要素。采用SLP法进行企业总平面布置的首要工作是对各作业单位之间的相互关系做出分析。包括物流和非物流的相互关系。经过综合得到作业单位相互关系表，然后，根据相互关系表中作业单位之问相互关系的密切程度。决定各作业单位之间距离的远近，安排各作业单位的位置.绘制作业单位位置相关图.将各作业单位实际占地面积与作业单位位置相关圈结合起来.形成作业单位面积相关圈；通过作业单位面积相关图的修正和调整.得到数个可行的布置方案然后采用加权因素对各方案进行评价择优.并对每个因素进行量化以得分最多的布置方案作为最佳布置方案。
自从SLP方法被提出以后，已经被大量的应用于各类设施的布置设计之中。通常情况下，在应用SLP法绘制作业单位位置图和面积相关图时，需要人工不断的修改和调整初始的布置方案，使其符合相应的条件。设计人员主要依靠经验来根据约束条件调整方案，因此，由于不同设计人员的经验不同，得出的最终结果也可能有很大的不同，人为因素有较大的干扰，且调整过程十分繁琐、布置方案较少，难以选出更优方案。随着计算机技术的不断发展，基于SLP思想进行改进，并利用遗传算法来解决设施布置问题，可以有效的避免上述问题。
发明内容
本发明的目的在于解决传统智能优化算法在三维片上网络的不足，我们将SLP移植到片网领域，使整个片上网络功耗最小且密切度最大，达到优化布图目的。
附图说明
图1 改进的SLP流程图
图2 IP核位置示例图
图3 单点交叉示例图
图4 变异方式图解
图5 核通信量与功耗关系图(G1-G4)
图6 核通信量与功耗关系图(G1-G6)
图7 VOPD的核通信图
图8 IP核密切相关程度图
图9 布图方案
具体实施方式
stepl SLP与遗传算法结合
SLP法有逻辑性强，条理清晰等特点。为了解决上述的传统的SLP的不足，我们在得出目标函数之后，使用遗传算法进行求解，避免了人为因素的干扰。本文改进SLP的方法具体步骤如图1所示：
step2布局规划的模型建立
A.模型假设
本文中片网布局设计的主要目标是实现IP核之间的通信功耗最小以及综合关系最大，本文将综合这两个目标，以片上网络布局规划的相关文献所提供的方法为基础，结合本文的研究对象，建立三维片上网络的布局优化模型。现列出模型所需的假设条件。
(1)已知三维片网的总布局规划区域范围，且形状简化为矩形，并且将直角坐标系原点定在布局区域的左下角，X轴方向设在布局区域长边的方向，Y轴方向设在布局区域宽边的方向；其中L表示片网的长，W表示片网的宽。
(2)每个IP核的形状均为矩形，且各IP核矩形的边与X轴、Y轴平行，如图所示；其中IP核的长为l，宽为w，如图2所示，最终我们确定的布图方案即是IP核中心坐标(xzi，yzi)。
(3)假设每个IP核布局的平面为共平面，如图2.
B.模型的构建
(1)功耗模型
本文以内核、网络接口和路由器之间的整体互连功耗及路由器自身消耗的内部功耗最小为目标，建立功耗模型，即
minP＝Pm2n+Ps2n+Ps2s+Ps
其中Pm2n表示内核和网络接口之间的互连功耗，Ps2n表示路由器和网络接口之间的互连功耗，Ps2s表示路由器之间的互连功耗，Ps表示路由器自身消耗的内部功耗。
互连线上的功耗计算模型为
Pwire＝Punit1·f·d
其中Punit1表示单位长度互连线上通过单位bit通信量时的功耗，d表示互连线的长度，f表示互连线上的通信量.
路由器自身消耗的功耗计算模型为
Ps＝Punit2·f·k
其中Punit2表示路由器上每个端口通过每bit通信量时的功耗，f表示路由器上的通信量，k表示路由器的个数。
综上，以片上网络的互连总功耗和路由器自身消耗的功耗最小为目标，我们建立其总功耗模型为：
Figure BSA0000170610120000031
当假定x为片上网络布局规划的任意一种方案，则x∈R，在x布局方案下，f(X)表示方案x下流量矩阵，d(X)表示方案x下的距离矩阵。由此可以得出方案x下所消耗的功耗，如公式所示。
Figure BSA0000170610120000032
其中：i，j表示片网内某个IP核；
m表示的是片网上的三种互连功耗；
n表示片网上面放置IP核的数目；
(2)通信量密切程度模型
为了使得片上网络布局中通信量较大的IP核尽可能离的很近，我们由从至表和相互关系图构建出以通信量密切程度最大为目标的模型，即
Figure BSA0000170610120000033
则当R(x)的值越大时，表明方案x下布局越合理。其中：i，j表示片网内某个IP核；R(x)表示片网内各IP核密切程度总值；bij表示IP核之间的密切度与距离之间的转化因子；Gij(x)表示在布置方案X下，各IP核之间的通信量矩阵。
由于当IP核i与IP核j相互密切程度越高时，就要求两者的之间的距离尽可能的近，密切程度越低时，则要求两者距离越远越好。所以可以看出在IP核密切程度与距离之间存在某种关系，假定它们之间的转换因子为bij，定义bij的值如表1所示。
表1转化因子bij
d<sub>ij</sub> b<sub>ij</sub>
0＜d<sub>ij</sub>≤d<sub>max</sub>/6 1
d<sub>max</sub>/6＜d<sub>ij</sub>≤d<sub>max</sub>/3 0.8
d<sub>max</sub>/3＜d<sub>ij</sub>≤d<sub>max</sub>/2 0.6
d<sub>max</sub>/2＜d<sub>ij</sub>≤2d<sub>max</sub>/3 0.4
2d<sub>max</sub>/3＜d<sub>ij</sub>≤5d<sub>max</sub>/6 0.2
5d<sub>max</sub>/6＜d<sub>ij</sub>≤d<sub>max</sub> 0
(3)布局模型
本文以IP核之间的功耗最小和综合关系最大为目标，建立总的布局优化模型，如下所示：
Figure BSA0000170610120000034
Figure BSA0000170610120000035
其中：
Figure BSA0000170610120000036
dij＝|xzi-xzj|+|yzi-yzj| (2)
Figure BSA0000170610120000041
xi+li≤L yi+wi≤W (4)
公式(1)保证所有IP核的总面积小于片网的总面积；
公式(2)表示IP核之间的曼哈顿距离；
公式(3)表示以每个矩形的中心坐标为IP核的位置；
公式(4)表示IP核布局范围不能超过片网的范围。
step 3模型求解
上节模型基于通信量建立片上网络功耗模型及密切度模型，通信量大的两个IP核之间关系度强，通信量小的核之间关系度弱。本文将采用遗传算法对上节基于SLP方法建立的模型进行具体求解。
具体步骤如下：
(1)编码
本文采用二进制编码方式，即用一个固定长度的0，1，字符串表示染色体，长度选择为10，例如染色体i表示为{0111000111}。
(2)初始化种群
本文采用随机生成初始种群，并将种群大小设为200。
(3)适应度函数
选择过程通过适应度大小进行选择，优胜劣汰。本文是双目标函数优化问题，要求功耗小并且关系度强。即对两个函数转化为单目标函数，将两个目标函数赋予权重，两个函数同等重要，设两个函数权重值为u＝0.5，v＝0.5。最后的目标函数为：
M＝u*P+v*R
适应度函数用最后目标函数的倒数来表示，如下所示：
Figure BSA0000170610120000042
(4)选择算子
选择算子可以使子代继承父代的优良基因，即优胜劣汰。个体适应度越好，遗传到下一代的几率就越大，本文采用柔性分段复制，即对种群按照适应度值由高到底进行排序，然后对其分为三段，适应度值高的一段保留至子代两次，适应度值低的一段不保留，中间的一段保留一次。这种方法可以较好的保留优秀的个体。
(5)交叉算子
两个个体通过基因重组产生新个体，交叉就是用来产生新个体的方法。首先对种群中的个体进行随机配对，然后进行交叉运算，产生新的个体，从而产生新的种群。
本文采用单点交叉方式产生新个体，单点交叉就是对配对的一对染色体随机选择一个断点(交叉点)，将这两条染色体的部分进行互换从而得到新的一组染色体。本文交叉概率设为0.9，交叉方式如图3所示。
(6)变异算子
交叉算子是遗传算法中产生新个体的主要方法，变异算子则是遗传算法中新个体产生的辅助方法，它弥补了遗传算子在局部搜索能力的不足，二者结合才是遗传算法求解NP问题时优秀寻优能力的原因。
本文采用基因位突变，即个体中某个或者几个基因以一定的变异率被其他的等位基因所代替，变异概率设为0.02，变异方式如图4所示。
(7)算法的终止
设定适当的种群规模，当达到此规模时，终止遗传算法。一般来说，种群规模的取值常在100-1000之间，本文选择种群规模为100。
step 4实验过程
本次实验运行环境CPU为Intel(R)Core(TM)i5-6200U CPU，主频为2.30GHz2.40GHz，内存为4GB的微型计算机。
实验程序是采用C语言编写，在win10***下Dev C++5.11中运行。
本发明采用的测试用例分为两组，第一组为MPEG4，MWD和VOPD[2]，第二组是263decmp3dec，263encmp3dec和mp3encmp3dec[3]，具体详细描述如表2所示：
表2测试用例实例
测试用例 标号 内核数目 线网数目
MPEG4 G1 12 13
MWD G2 12 12
VOPD G3 12 14
263decmp3dec G4 14 15
263encmp3dec G5 12 12
mp3encmp3dec G6 13 13
本文采用的功耗模型是在0.18μm工艺下，路由器上每个端口通过每bit通信量时的功耗为0.11pW/bit，互连线上单位线长通过单位通信量时的功耗为0.6pW/bit/mm[4]。
本文参数设置如下表3所示。
表3相关参数设置
初始种群 200 迭代次数 100
交叉概率 0.9 变异概率 0.02
我们对每个测试用例进行20次实验，取平均值作为最后平均功耗，实验数据如表4所示。
表4实验结果数据
测试用例 PDF平均功耗/mW 本文平均功耗/mW 优化/％
G1 1.587 1.4508 8.58
G2 0.4598 0.1355 70.53
G3 1.5659 0.6018 61.57
G4 6.0478 4.7566 21.35
G5 12.1402 59.6317 -79.64
G6 1.345 9.5809 -85.96
从表4可以看出，对于MPEG4，MWD，VOPD，263decmp3dec四个测试用例，本发明功耗降低明显，对于MWD最高可降低70.53％的功耗，大大降低拓扑生成算法(PDF)的功耗。而对于263encmp3dec，mp3enmp3dec两个测试用例，本发明结果不尽人意，我们在后续对G5，G6两个测试用例进行了深入分析和优化。但整体来看，可以证明我们方法的正确性。
进一步我们对其各个测试用例平均通信量进行了对比，并将通信量大小与功耗联系起来进行分析，表5是各个测试用例的平均核通信量数据。
测试用例 平均通信量
G1 533.2308
G2 93.3333
G3 232.9333
G4 1006.3571
G5 18696.6364
G6 1293.4167
经过分析我们得到了平均核通信量与功耗之间的关系，如图5，图6所示。
从图5，图6可以看出，当测试用例平均核通信量小于1000Mbps时，本文优化算法都要比PDF算法优化效果好；并且通信量越小时，本文优化效果越明显，当其通信量小于500Mbps时，本文比PDF和LPTGA功耗都要低得多。
经过研究分析G5和G6的具体布图方案的坐标位置，我们发现G5和G6中通信量相对较大的IP核之间距离并没有很接近，因此功耗出现了偏差。
下面我们以测试用例VOPD为例说明算法的求解过程及结果分析，得到最后的布图方案。
结合图7，我们可以得到IP核之间的通信量从至表，如表6所示。表中第一行，第一列分别对应各个IP核。
表6 IP核通信量从至表
Figure BSA0000170610120000061
之后，我们定义出密切程度等级，包括A、E、I、O、U五种，各等级意义如表7所示。
表7各个IP核密切程度等级表
符号 A E I O U
意义 绝对重要 特别重要 重要 一般 不重要
根据通信关系来划分IP核的密切程度，主要是指IP核区间的通信强度，即通信量的大小。所以根据表7所示的IP核通信量的从至表来确定每个IP核之间的密切程度，如图8所示。
最后，我们通过IP核之间的密切相关程度图来来定量与定性地分析，并对布图方案进行优化与评价，最终得到布图方案，如图9.
本方法通过将宏观布局的SLP方法思想应用于微观的片上网络布图中，并结合遗传算法得到布图方案。实验结果表明，本文算法不仅能有效地降低片上网络的功耗，而且还可以定性与定量地优化布图方案。当IP核之间的平均核通信量小于1000Mbps时，功耗优化效果明显。

Claims (3)

1.一种降低异构三维片上网络布图功耗的方法其主要特点是结合SLP思想，对于经典的测试用例任务通信图，可通过此方法降低功耗；
所述方法如下：
S1，通过SLP方法分析测试用例并从通信量角度建立功耗模型及密切度模型，寻求一种布图方案使功耗尽量小且各个IP核关系密切度尽可能高，也即通信量大的核尽量位置相对较近，本方法假定单位距离单位bit消耗的功耗是固定不变的；
S2，使用遗传算法对目标函数进行求解，通过遗传，交叉，变异得到最后最优布局；
遗传算法具体步骤如下：
A1，随机生成初始种群，我们设定初始种群为200；
A2，编码：编码是运用遗传算法求解的基石，就是把参数转变为遗传程序所能识别的符号，编码采用二进制；
A3，交叉变异：交叉类似于基因重组，将父代两个个体基因加以重组产生新个体，交叉概率设为0.9；变异则是将某个基因值以微小概率做出变动，本文选择0.02；
A4，终止是设置适当的种群规模来中止算法，或者当适度值函数稳定在某个微小区间内上下波动时，算法中止，本文选择迭代次数为100，迭代过程中当迭代次数达到100次之后若没有出现最优解则结束，或者遇到最优解则可能提前结束迭代过程。
2.通过S2遗传算法来对S1中的模型进行求解，通过足够多的实验来得出满意解，最后得出的解是各个IP核的中心位置坐标，即布图方案中的位置。
3.对S2中的实验结果进行分析，从各个IP核位置验证算法的正确性，从功耗方面与PDF算法及LPTGA算法进行对比验证我们算法的实用性和高效性。
CN201811071157.8A 2018-09-14 2018-09-14 一种降低异构三维片上网络布图功耗的方法 Pending CN110912718A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811071157.8A CN110912718A (zh) 2018-09-14 2018-09-14 一种降低异构三维片上网络布图功耗的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811071157.8A CN110912718A (zh) 2018-09-14 2018-09-14 一种降低异构三维片上网络布图功耗的方法

Publications (1)

Publication Number Publication Date
CN110912718A true CN110912718A (zh) 2020-03-24

Family

ID=69813249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811071157.8A Pending CN110912718A (zh) 2018-09-14 2018-09-14 一种降低异构三维片上网络布图功耗的方法

Country Status (1)

Country Link
CN (1) CN110912718A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112181867A (zh) * 2020-09-29 2021-01-05 西安电子科技大学 基于多目标遗传算法的片上网络内存控制器布局方法
CN112394807A (zh) * 2020-11-17 2021-02-23 海光信息技术股份有限公司 一种降低片上网络功耗的方法、装置、cpu芯片及服务器
EP4044079A1 (de) * 2021-02-15 2022-08-17 Siemens Aktiengesellschaft System zur raum- und/oder flächenplanung, verwendung eines genetischen algorithmus

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112181867A (zh) * 2020-09-29 2021-01-05 西安电子科技大学 基于多目标遗传算法的片上网络内存控制器布局方法
CN112181867B (zh) * 2020-09-29 2022-07-26 西安电子科技大学 基于多目标遗传算法的片上网络内存控制器布局方法
CN112394807A (zh) * 2020-11-17 2021-02-23 海光信息技术股份有限公司 一种降低片上网络功耗的方法、装置、cpu芯片及服务器
CN112394807B (zh) * 2020-11-17 2023-08-29 海光信息技术股份有限公司 一种降低片上网络功耗的方法、装置、cpu芯片及服务器
EP4044079A1 (de) * 2021-02-15 2022-08-17 Siemens Aktiengesellschaft System zur raum- und/oder flächenplanung, verwendung eines genetischen algorithmus
WO2022171462A1 (de) * 2021-02-15 2022-08-18 Siemens Aktiengesellschaft System zur raum- und/oder flächenplanung, verwendung eines genetischen algorithmus

Similar Documents

Publication Publication Date Title
US20220083704A1 (en) Techniques for automatically generating designs having characteristic topologies for urban design projects
Hilbert et al. Multi-objective shape optimization of a heat exchanger using parallel genetic algorithms
CN110912718A (zh) 一种降低异构三维片上网络布图功耗的方法
Li et al. SNEAP: A fast and efficient toolchain for mapping large-scale spiking neural network onto NoC-based neuromorphic platform
CN115859899B (zh) 一种多驱动能力的集成电路标准单元版图迁移的方法
CN115755954B (zh) 巡检路径规划方法、***、计算机设备及存储介质
CN102063536B (zh) 基于模式匹配的电源/地线网络与布图规划的协同设计方法
CN112183007B (zh) 一种多个fpga的设计分割方法
Huang et al. Application-specific network-on-chip synthesis with topology-aware floorplanning
Wang et al. An optimal edge server placement approach for cost reduction and load balancing in intelligent manufacturing
CN102789493A (zh) 自适应双子和声优化方法
CN116362194A (zh) 布线资源预分配方法、装置、计算设备及存储介质
CN116628903A (zh) 一种城市风场环境监测传感器最优布置方法
Sharma et al. A network science-based k-means++ clustering method for power systems network equivalence
CN110503326A (zh) 一种基于复杂网络的分层供应链网络的建模方法
CN114597970A (zh) 一种基于图卷积网络的主动配电网分区方法
Li et al. A study on urban block design strategies for improving pedestrian-level wind conditions: CFD-based optimization and generative adversarial networks
CN112395822B (zh) 时延驱动的非曼哈顿结构Steiner最小树构建方法
CN109858096A (zh) 单避雷针***优化布局的建模方法及终端设备
Wang et al. Generative design of floor plans of multi-unit residential buildings based on consumer satisfaction and energy performance
Russo et al. LAMBDA: An open framework for deep neural network accelerators simulation
Huang et al. Multi objective scheduling in cloud computing using MOSSO
Lai et al. Floorplan-aware application-specific network-on-chip topology synthesis using genetic algorithm technique
Zhou et al. A network components insertion method for 3D application-specific Network-on-Chip
CN113935140B (zh) 风电场集电线路的路径规划方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200324

WD01 Invention patent application deemed withdrawn after publication