《电子技术应用》
您所在的位置：首页 > 模拟设计 > 设计应用 > 基于改进遗传算法的多芯粒NoC低功耗映射
基于改进遗传算法的多芯粒NoC低功耗映射
电子技术应用
潘福跃1，闫俊启2，郑利华1，徐孝彬2
1.中国电子科技集团公司第五十八研究所；2.河海大学 机电工程学院
摘要： 针对多芯粒片上网络（Network-on-Chip，NoC）的低功耗映射问题，提出了一种改进的自适应遗传算法（Adaptive Genetic Algorithm，AGA）。通过引入排列编码机制、部分映射交叉算子、自适应交换变异策略以及混合选择机制，有效解决了传统遗传算法在NoC映射中存在的约束冲突、局部最优和解空间爆炸等问题。实验基于36节点2D-Mesh拓扑和随机生成的通信任务图，对比了AGA、蚁群优化算法（Ant Colony Optimization，ACO）和灰狼优化算法（Grey Wolf Optimizer，GWO）的性能。结果表明，AGA在通信能耗优化方面显著优于其他算法，相较于GWO和ACO分别降低了32.0%和26.2%的总功耗，同时展现出更好的全局搜索能力和收敛稳定性。该研究为NoC的低功耗设计提供了高效的优化方法。
中图分类号：TN47 文献标志码：A DOI: 10.16157/j.issn.0258-7998.256828
中文引用格式： 潘福跃，闫俊启，郑利华，等. 基于改进遗传算法的多芯粒NoC低功耗映射[J]. 电子技术应用，2026，52(1)：33-37.
英文引用格式： Pan Fuyue，Yan Junqi，Zheng Lihua，et al. Power-efficient mapping for multi-chiplet NoC using enhanced genetic algorithm[J]. Application of Electronic Technique，2026，52(1)：33-37.
Power-efficient mapping for multi-chiplet NoC using enhanced genetic algorithm
Pan Fuyue1，Yan Junqi2，Zheng Lihua1，Xu Xiaobin2
1.No.58 Research Institute of China Electronics Technology Group Corporation；2.College of Mechanical and Electrical Engineering， Hohai University
Abstract： This paper addresses the power-efficient mapping problem in multi-chiplet Networks-on-Chip (NoC) by proposing an improved Adaptive Genetic Algorithm (AGA). By introducing permutation encoding, a partial-mapping crossover operator, an adaptive swap mutation strategy, and a hybrid selection mechanism, the algorithm effectively resolves issues such as constraint conflicts, local optima, and solution space explosion that exist in traditional genetic algorithms for NoC mapping. Experiments were conducted on a 36-node 2D-Mesh topology with randomly generated communication task graphs, comparing the performance of AGA, Ant Colony Optimization (ACO), and Grey Wolf Optimizer (GWO). The results demonstrate that AGA significantly outperforms other algorithms in communication energy optimization, reducing total power consumption by 32.0% and 26.2% compared to GWO and ACO, respectively. Additionally, AGA exhibits superior global search capability and convergence stability. This research provides an efficient optimization method for power-efficient NoC design.
Key words : network-on-chip；power-efficient；genetic algorithm；optimal transmission path

引言

随着半导体工艺的发展，集成电路上的芯片技术快速发展，当前3 nm量级芯片工艺已经逼近物理极限，仅通过提升芯片尺寸，难以实现大规模性能提升。随着多芯粒异构集成技术逐渐发展[1]，其可将多个不同厂家的芯片集成，极大降低了芯片的设计成本。而采用多个芯粒集成后带来了相互之间的通信问题。芯粒内采用NoC（Network-on-Chip）进行通信，节点路由器作为信息传递转发的载体，其排布直接影响通信传输任务性能[2]。因此，优化NoC节点的布局以及IP核映射具有重要的意义[3-4]。

在NoC低功耗映射方面。随着技术的发展，当节点数增加后运算量急剧上升，寻找最佳映射变得更加困难，因此国内外学者采用群智能优化算法搜索最佳映射，最经典的为蚁群算法、粒子群算法和遗传算法等[5]。蚁群优化算法(Ant Colony Optimization,ACO)采用蚂蚁寻找食物原理进行最优化搜索[5]，Xie将量子编码引入蚁群算法[6]，在应用通信图TFGG[7]上，最小功耗比传统蚁群算法降低10%~15%，但是其收敛速度较慢。粒子群优化算法（Particle Swarm Optimization，PSO）因其结构简单、收敛速度快而受到青睐，刘勤让等人提出的离散PSO方法，动态调整参数个体适应度值，相比蚁群算法和传统粒子群算法，其缩短执行时间，减小映射通信功耗[8]。遗传算法（Genetic Algorithm，GA）具备较强的全局搜索能力，董文箫等人基于GA的映射方法在降低能耗方面表现突出[9]，但GA通常收敛速度较慢。为了解决上述问题，学者们采用混合优化策略实现群智能优化算法性能提升。李君艺等人结合PSO和GA算法，提升了映射速度[10]；其他学者采用新的优化算法实现低功耗映射，比如王曦璐采用改进鲸鱼算法实现低功耗映射[11]，Parisa等人则采用野草算法，该算法相比5种经典算法，通信性能分别提高了4%~13%[12]。

综上所述，群智能优化算法为NoC映射主要解决方法，但是对于复杂通信任务现有算法仍然容易出现局部收敛，效果不佳，因此仍然需要进行低功耗性能优化。本文引入排列编码机制、部分映射交叉算子和混合选择机制等，改进了传统的遗传算法，实验结果表明：在通信任务上本文提出的改进遗传算法性能优于粒子群算法和灰狼算法。


本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006909


作者信息：

潘福跃1，闫俊启2，郑利华1，徐孝彬2

（1.中国电子科技集团公司第五十八研究所，江苏 无锡 214072；

2.河海大学 机电工程学院，江苏 常州 213200）


官方订阅.jpg

此内容为AET网站原创，未经授权禁止转载。

相关内容