论文部分内容阅读
在学术研究和工业生产的许多领域中,常用演化算法对实值问题进行优化和求解。演化算法作为一种群体为基础的随机优化方法,与传统梯度方法相比,缺少梯度信息和优化方向,需要通过大量的迭代来优化和求解问题,存在运行效率上的不足,这是制约演化算法应用的一个重要因素。为了应对这一挑战,本课题从计算机体系结构的角度出发,围绕演化算法运行效率和硬件加速进行研究。基于最新的第五代精简指令集计算(Reduced Instruction Set Computing V,RISC-V)体系结构,本课题对粒子群优化(Particle Swarm Optimization,PSO)、差分演化(Differential Evolution,DE)、协方差矩阵自适应演化策略(Covariance Matrix Adaptation Evolution Strategy,CMAES)三种单目标演化算法和第二代非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)、基于多指标的随机排序算法(Stochastic Ranking-based Multi-indicator Algorithm,SRA)两种多目标演化算法的运行效率进行研究,使用不同参数的CEC’05(2005年“IEEE Congress on Evolutionary Computation”会议发布)和DTLZ(四位作者的名字首字母缩写)基准函数作为演化算法优化的问题,使用硬件仿真作为研究成果的验证方式,以演化算法运行消耗的周期作为运行效率的评价指标。本课题的目的是研究和设计出演化算法在RISC-V体系结构上的高效实现。本课题的第一部分,围绕RISC-V体系结构的存储器系统,对演化算法的运行效率进行初步研究。研究发现在演化算法运行时,高速缓存存在性能下降的风险,进而影响了演化算法的运行效率。为了应对该风险,设计并得到一个在存储器系统的层面,相对高效地运行演化算法的RISC-V体系结构,作为进一步研究的基础。研究还发现多目标演化算法中可能存在耗时的操作,严重影响算法的运行效率,与单目标演化算法相比,多目标演化算法的运行效率具有更大的提升空间,将是进一步研究的重点。本课题的第二部分,围绕NSGA-II和SRA两种多目标演化算法的运行效率进行进一步研究。研究针对NSGA-II算法的非支配排序和SRA算法的计算指标这两种耗时的操作,分别设计了协处理器加速其运行,并在不同规模的DTLZ基准函数上进行验证。验证结果表明,本课题设计的两个协处理器对非支配排序实现了7～11倍的加速,对NSGA-II算法整体实现了1.4～2倍的加速;对计算指标实现了18～34倍的加速,对SRA算法整体实现了11～26倍的加速。本课题设计的协处理器提升了NSGA-II和SRA算法整体的运行效率,得到了相应演化算法在RISC-V体系结构上的高效实现。