[发明专利]基于差分进化和捕食搜索策略的胖树型片上网络映射方法

权利要求书

1.一种基于差分进化和捕食搜索策略的胖树型片上网络映射方法，包括如下步骤：

(1)初始化操作

对映射结果进行初始化：随机选择一个映射排序作为映射结果s的初始解，令当前最优映射结果b＝s；

对限制数组进行初始化：定义解空间内以任意一个解作为中心的周围的多个解组成限制数组，该数组中每个元素对应于该中心的一个邻域的限制范围，然后，在当前最优映射结果b的周围设置限制总数为T的限制数组：R[0]，R[1]，...，R[T-1]，其中T取自然数，给定一个解b和一个限制R[i]，将围绕b的一个受限邻域表示为A(b，R[i])；

对中间变量进行初始化：令当前局部搜索所在的限制级数i₁＝0，当前限制级数内的搜索次数i₂＝0；

(2)将当前局部搜索所在的限制级数与设定的限制总数进行比较，如果当前局部搜索所在的限制级数i₁＜设定的限制总数T，则进行局部搜索，并初始化M个种群个体，利用差分进化方法对该初始种群迭代N次，其中N为所设定的差分进化的总迭代次数，将迭代得到的最优映射结果记为p，并转步骤(3)；否则，将当前最优映射结果b作为最佳映射结果，并输出；

(3)判断迭代得到的最优映射结果是否在当前最优映射结果的受限邻域内，如果迭代得到的最优映射结果p在当前最优映射结果b的受限邻域A(b，R[i₁])内，则令映射结果s＝迭代得到的最优映射结果p，并转步骤(4)；否则转步骤(5)；

(4)将迭代得到的最优映射结果对应的能耗与当前最优映射结果对应的能耗进行比较，如果迭代得到的最优映射结果p对应的能耗优于当前最优映射结果b对应的能耗，则进行更新，重新开始计算，即令当前最优映射结果b＝s，当前局部搜索所在的限制级数i₁＝0，当前限制级数内的搜索次数i₂＝0，然后在当前最优映射结果b的周围重新计算限制数组，转步骤(2)；否则转步骤(5)；

(5)将当前限制级数内的搜索次数与每一限制等级内的最大搜索次数进行比较，令当前限制级数内的搜索次数i₂＝i₂+1，如果i₂＞每一限制等级内的最大搜索次数C，令当前局部搜索所在的限制级数i₁＝i₁+1，当前限制级数内的搜索次数i₂＝0，并转步骤(6)；否则转步骤(2)；

(6)将当前局部搜索所在的限制级数与终止局部搜索的限制级数进行比较，如果当前局部搜索所在的限制级数i₁＝终止局部搜索的限制级数L，则将当前局部搜索所在的限制级数i₁设置为终止局部搜索的限制级数L与设定的限制总数T之间的一个限制级数值L_high，即令i₁＝L_high，转步骤(2)；否则直接转步骤(2)。

2.根据权利要求1所述的基于差分进化和捕食搜索策略的胖树型片上网络映射方法，其中步骤(1)所述的在当前最优映射结果b的周围设置限制总数为T的限制数组，按如下步骤进行：

1a)在当前最优映射结果b的周围利用2-opt算法搜索T-1次，其中T表示设定的限制总数，得到T-1个映射结果及其对应的能耗值，并将该T-1个映射结果所对应的能耗值按照升序排列；

1b)把排序后的这T-1个能耗值依次赋给限制数组R[1]，R[2]，...，R[T-1]，而R[0]取为当前最优映射结果b所对应的能耗值。

3.根据权利要求1所述的基于差分进化和捕食搜索策略的胖树型片上网络映射方法，其中步骤(2)所述的利用差分进化方法，包括变异操作、交叉操作和选择操作：

所述的变异操作，是采取两种变异操作模式进行的，即DE/best/1和DE/rand/1模式，通过下面公式进行变异得到新个体：

DE/best/1模式：vik+1=xik+F×(xr1k-xr2k)if rand(0,1)<γxik+F×(xgk-xr2k)otherwise]]>

DE/rand/1模式：vik+1=xr1k+F×(xr2k-xr3k)]]>

其中r₁，r₂，r₃∈{1，2，L，M}，表示任意选取的三个种群个体，r₁≠r₂≠r₃，M为种群个数，为第k代种群中第i个个体，为第k代种群中的最优个体，g标示种群中的最优个体，rand(0，1)为0-1之间的随机数，决策概率γ＝(1-k/N)²，此处N为差分进化方法设定的总迭代次数，变异因子F采用自适应变异算子：

F＝F_min+rand(0，1)×(F_max-F_min)

其中F_max和F_min分别表示所设定的变异因子的上下限，取值范围为0-2，rand(0，1)为0-1之间的随机数；

所述的交叉操作，是在变异产生的第i个新个体和种群中的第i个个体之间进行交叉，得到交叉个体：

uik+1=vik+1if(rand(0,1)≤CR)xikif(rand(0,1)>CR)]]>

其中rand(0，1)为0-1之间的随机数，交叉因子CR采用自适应交叉算子：

CR＝CR_min+i×(CR_max-CR_min)/N

其中CR_max和CR_min分别表示所设定的交叉因子的上下限，取值范围为0-1，N为差分进化方法设定的总迭代次数；

所述的选择操作，是将交叉操作后得到的新个体对应的能耗值与原个体对应的能耗值进行比较，把能耗值较低的作为下一代个体。