[论文解读] Exploring Task Mappings on Heterogeneous MPSoCs using a Bias-Elitist Genetic Algorithm

Wei Quan, Andy D. Pimentel|arXiv (Cornell University)|Jun 29, 2014

Interconnection Networks and Systems参考文献 24被引用 7

一句话总结

本文提出了一种偏向精英的遗传算法（BEG），将领域特定的启发式方法——尤其是完成时间（makespan）和工作负载平衡——整合到变异和选择算子中，以加速异构MPSoC上大规模任务映射的收敛。BEG算法相比标准遗传算法，将高质量映射解决方案的求解速度提升了高达3.5倍，显著缩短了搜索时间，同时在吞吐量优化方面保持了卓越的性能。

ABSTRACT

Exploration of task mappings plays a crucial role in achieving high performance in heterogeneous multi-processor system-on-chip (MPSoC) platforms. The problem of optimally mapping a set of tasks onto a set of given heterogeneous processors for maximal throughput has been known, in general, to be NP-complete. The problem is further exacerbated when multiple applications (i.e., bigger task sets) and the communication between tasks are also considered. Previous research has shown that Genetic Algorithms (GA) typically are a good choice to solve this problem when the solution space is relatively small. However, when the size of the problem space increases, classic genetic algorithms still suffer from the problem of long evolution times. To address this problem, this paper proposes a novel bias-elitist genetic algorithm that is guided by domain-specific heuristics to speed up the evolution process. Experimental results reveal that our proposed algorithm is able to handle large scale task mapping problems and produces high-quality mapping solutions in only a short time period.

研究动机与目标

• 解决在异构MPSoC上求解大规模任务映射问题时，遗传算法演化时间过长的挑战。
• 通过将应用特定的启发式方法嵌入遗传算子，降低设计空间探索（DSE）的计算成本。
• 通过利用完成时间与工作负载平衡启发式方法指导变异和选择，提升收敛速度与解的质量。
• 实现对大规模任务映射问题的高效探索，结合通信感知的系统级仿真。

提出的方法

• BEG算法通过在变异算子中嵌入领域特定的启发式方法，提升标准遗传算法的性能，优先选择完成时间短且处理器工作负载均衡的染色体。
• 将最小完成时间（MCT）启发式方法整合到变异过程中，引导新个体的生成朝向搜索空间中性能更优的区域。
• 选择机制被优化，以优先选择高适应度（低完成时间、负载均衡）的个体，同时在各代之间保留精英解。
• 适应度评估通过考虑任务执行时间、通信开销和资源争用的系统级MPSoC仿真器完成。
• 算法采用固定变异概率，在0.4至0.8之间进行调优，以在探索与开发之间取得最佳平衡。
• 该方法通过聚焦于高潜力区域的进化努力，隐式地剪枝了设计空间，减少了不必要的评估次数。

实验结果

研究问题

• RQ1 能否有效将领域特定的启发式方法嵌入遗传算子中，以加速异构MPSoC上大规模任务映射的收敛？
• RQ2 将完成时间与工作负载平衡启发式方法整合后，对映射解的质量与发现速度有何影响？
• RQ3 所提出的偏向精英遗传算法在解的质量与执行时间方面是否优于标准遗传算法及其他先进方法？
• RQ4 何种变异概率范围能在所提算法中实现解质量与收敛速度之间的最优权衡？

主要发现

• BEG算法相比标准遗传算法，实现了高达3.5倍的加速，将平均执行时间从3,217秒减少至1,000秒以下，获得高质量的映射解。
• 当变异概率设定在0.4至0.8之间时，BEG算法能持续产生更优的映射质量，避免了高概率下常见的早熟收敛现象。
• 该算法在解的质量与收敛速度方面均优于通用遗传算法及其他基于启发式的算法，尤其在MP3与MJPEG等大规模应用中表现突出。
• 将完成时间与工作负载平衡启发式方法整合到变异过程中，显著提升了搜索效率，减少了不必要的评估次数。
• BEG算法在问题规模增大时仍保持高性能，展现出在复杂多应用任务映射场景下的可扩展性。
• 结果证实，当领域知识被恰当地编码到遗传算子中时，可实现对设计空间的有效剪枝，而不会牺牲解的质量。