59、FPGA架构设计与行为级高级综合中的低功耗位级分配

FPGA架构设计与行为级高级综合中的低功耗位级分配

1. FPGA互连网络架构

在FPGA设计中,互连网络架构可能是最重要的参数。它不仅主导着芯片面积,而且比可配置逻辑块(CLB)消耗更多的功率。此外,如果没有适当的互连,即使是优秀的CLB也无法高效工作。

1.1 互连网络的关键要素

互连网络有三个关键要素:
- 段长度
- 连接盒拓扑
- 开关盒拓扑

1.2 段长度

研究发现,功耗会随着段长度的增加而增加。不同段长度组合会产生不同的效果:
| 组合情况 | 效果 |
| — | — |
| 83%长度为4的段与传输晶体管开关,17%长度为8的段与缓冲开关 | 产生最佳延迟乘积 |
| 50%长度为4的段与传输晶体管开关,50%长度为8的段与缓冲开关 | 得到最节省面积的FPGA |

不过,这些实验结果是基于非常大的基准测试得到的。更细粒度的方法可能会得出段长度为2是功率效率和面积 - 延迟乘积的最佳选择。

1.3 连接盒拓扑

连接盒主要有两个关注点:
- 连接类型
- 每个I/O CLB引脚可以连接的轨道分数

输出引脚连接使用传输晶体管,因为一个输出引脚可以同时驱动多个轨道;而输入引脚连接使用多路复用器,因为不同轨道可以连接到一个输入引脚,但一次只能有一个轨道驱动该引脚。研究表明,如果(\text{IN} {frac}=0.5W)和(\text{OUT} {frac}=0.25W)(其中(W)是通道中的轨道数量),根据具体架构,FPGA面

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