17、SystemC TLM设计的形式验证:基础与方法

SystemC TLM设计的形式验证:基础与方法

1. SystemC基础

SystemC是作为C++类库实现的,其中包含一个事件驱动的仿真内核。系统的结构通过端口和模块来描述,而行为则在由事件触发并通过通道进行通信的进程中描述。当一个进程的敏感度列表中的一个或多个事件被通知时,该进程将获得可运行状态。仿真内核会选择一个可运行的进程并给予其控制权,进程的执行是非抢占式的,即当进程完成执行或通过调用 wait() 方法挂起自身时,内核才会重新获得控制权。SystemC提供了多种 wait() notify() 的变体,用于基于事件的同步,例如 wait(time) wait(event) event.notify() event.notify(delay) 等。

SystemC的仿真语义可以总结如下:
1. 系统细化 :进行模块实例化以及通道和端口的绑定。
2. 初始化 :使进程变为可运行状态。
3. 评估 :执行一个可运行的进程或恢复其执行。若有立即通知,等待的进程会立即变为可运行状态。此步骤会重复执行,直到没有更多的可运行进程。
4. 更新 :对信号和通道进行更新。
5. Delta通知 :若存在Delta通知,使等待的进程变为可运行状态,

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值