申请/专利权人：华侨大学;厦门凡尔赛科技有限公司

申请日：2024-01-17

公开（公告）日：2024-04-12

公开（公告）号：CN117880224A

主分类号：H04L49/109

分类号：H04L49/109;H04L49/25;H04L45/02;H04L45/12;H04L45/00;G06N3/006;G06N3/042;G06N3/0442;G06N3/086

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开一种VLSI设计中片上网络的路由优化方法、系统及设备，涉及强化学习和运筹调度领域，利用深度强化学习模型和进化算法这两者的优势，同时优化系统的多个目标，深度强化学习和进化算法将收集到的或者自己生成的数据通过深度强化学习模型来进行训练首先生成多目标问题的初步解，再通过进化算法的分解以及同步优化来生成一组近似最优的Pareto前沿，为不同目标的片上通信提供了可行解。本发明通过深度强化学习的模型和算法来以黑盒训练法让模型参数自主地拟合去学习选择路径的策略，无需大量的时间代价即可计算出最优的通信方案，实现了高效地通信。

主权项：1.一种VLSI设计中片上网络的路由优化方法，其特征在于，所述方法包括：步骤S1：获取片上网络的整个通信过程的目标；所述目标包括f1和f2；f1表示在当前路由器分布情况下信号从源路由器出发访问完所有路由器并到达目标路由器时所走的线路距离之和，f2表示走完f1所需的功率代价总和；步骤S2：根据片上网络的整个通信过程的目标，生成一组均匀分布的权重向量来划分原多目标路由优化问题为一组多目标子问题，得到多目标子问题集合；所述原多目标路由优化问题为将f1和f2最小化；步骤S3：从所述多目标子问题集合中选出一个多目标子问题作为当前需要训练求解的问题；步骤S4：为当前需要训练求解的问题生成一组随机数据，对生成的随机数据进行加工生成初始的边嵌入图表数据；步骤S5：利用编码器对所述初始的边嵌入图表数据进行加工和处理，提取所述初始的边嵌入图表数据中的信息特征并最终整合成图嵌入数据；步骤S6：生成解码器所需要的上下文嵌入；步骤S7：利用解码器结合所述上下文嵌入和所述图嵌入数据求解出当前时间步下各条候选边的选择概率，根据选择的策略来选择下一条边；步骤S8：判断当前是否构成了通信方案；若步骤S8的输出结果为否，则返回步骤S6；若步骤S8的输出结果为是，则执行步骤S9：根据多目标子问题的权重系数来得到多目标子问题的目标函数值，计算损失函数值，并通过策略梯度算法来训练多目标子问题对应的模型；步骤S10：判断当前的损失函数值是否达到最优情况；若步骤S10的输出结果为否，则返回步骤S4；若步骤S10的输出结果为是，则执行步骤S11：判断当前是否已经训练完所划分的多目标子问题；若步骤S11的输出结果为否，则返回步骤S3；若步骤S11的输出结果为是，则执行步骤S12：将测试数据输入模型集合中生成初始的种群；所述模型集合包括每个多目标子问题对应的模型；步骤S13：将当前种群作为父代种群并选择种群中的一个个体i作为当前操作的对象；步骤S14：根据个体i相邻的个体i-1和个体i+1的模型参数进行基因交叉操作得到新的个体i_new；步骤S15：判断新的个体i_new是否满足变异条件；若步骤S15的输出结果为是，则执行步骤S16：根据测试数据在模型运行中得到的注意力兼容性评分的梯度来对新的个体i_new进行基因变异操作；若步骤S15的输出结果为否，则执行步骤S17：将新的个体i_new与个体i-1、个体i、个体i+1进行优劣比较，并且进行相应的种群更新和Pareto最优集合的更新；步骤S18：判断是否达到了种群进化的最大迭代次数；若步骤S18的输出结果为否，则返回步骤S13；若步骤S18的输出结果为是，则输出最终的Pareto最优解集作为最优的通信方案；所述最优的通信方案使f1和f2最小化。

全文数据：

权利要求：

百度查询： 华侨大学;厦门凡尔赛科技有限公司 VLSI设计中片上网络的路由优化方法、系统及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD