37、基于遗传算法的CMM操作硬件优化及紧凑BDD的遗传编程构建

基于遗传算法的CMM操作硬件优化及紧凑BDD的遗传编程构建

1. 常量矩阵乘法（CMM）问题概述

在处理常量矩阵乘法（CMM）问题时，需要考虑多个方面以实现硬件的优化。DPL（Dot Product Level）算法在处理每个点积时，会生成相应的2D跳表。在DPL迭代过程中，会检查生成的排列积之和（SOP）中的每一项，若该项已在之前的排列中出现过，则将其丢弃，仅将唯一的实现添加到全局列表中。这个全局列表使用2D跳表实现，以最小化搜索新项时的开销。

1.1 DPL算法细节

• 跳表结构 ：水平方向有“跳过节点列表”（SNL），按硬件资源（hw）递增顺序从左到右排列；垂直方向有“乘积节点列表”（PNL），每个跳过节点指向一个有序的乘积节点列表，其中每个乘积节点的p_vec位向量中设置的位数（即hw）相同。
• 节点插入 ：插入新项时，会为节点添加唯一的排列ID（pid）和p_vec，以便重建生成它的SD排列。
• 硬件加速 ：DPL算法主要由比较、布尔逻辑和位计数等低级操作主导。分析表明，平均60%的计算时间用于位计数（50%）和按位或（10%）。这些任务可以通过将多术语SOP映射到FIFO结构，并将逻辑或操作映射到或门，在硬件上加速。

1.2 CMML阶段

当DPL算法为CMM中的每个点积运行后，会得到N个2D跳表。CMML（Constant Matrix Multiplication Level）阶段的任务是为所有CMM点积找到最佳的重叠乘积节点集，每个点积