陳寶林,黃 晞,張 仕,郭升挺,吳家飛,蘇浩明

1(福建師范大學(xué) 醫(yī)學(xué)光電科學(xué)與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室 福建省光子技術(shù)重點(diǎn)實(shí)驗(yàn)室,福州 350007)2(福建師范大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院,福州 350117)

過去幾年,機(jī)器學(xué)習(xí)在各個(gè)領(lǐng)域和商業(yè)應(yīng)用已經(jīng)變得非常普遍.2016年3月,基于深度學(xué)習(xí)的人工智能程序與世界圍棋冠軍、職業(yè)九段選手李世石進(jìn)行人機(jī)大戰(zhàn),同年12月,百度研發(fā)的人工智能機(jī)器人又與世界記憶大師王峰進(jìn)行了人臉識(shí)別挑戰(zhàn).至此,深度學(xué)習(xí)的熱潮再次加速了機(jī)器學(xué)習(xí)和人工智能的發(fā)展.然而,深度學(xué)習(xí)模型對(duì)精度要求和計(jì)算能力也越來越高,神經(jīng)網(wǎng)絡(luò)的大小也發(fā)生了爆炸式的膨脹,例如:有著1000億神經(jīng)元連接的百度大腦和10億神經(jīng)元連接的谷歌貓臉識(shí)別[1].在如此巨大的數(shù)據(jù)與規(guī)模,只能靠更好的硬件來加速才能適應(yīng)其需求.通常來說,硬件在執(zhí)行諸如復(fù)雜的算法,需要將數(shù)據(jù)進(jìn)行轉(zhuǎn)移,以及重復(fù)執(zhí)行各種操作等都比軟件操作快得多[2].

到目前為止,硬件加速主要是使用圖形處理單元(GPU)集群作為通用的計(jì)算圖形處理單元(GPGPU)[3].此外,開放型并行程序設(shè)計(jì)標(biāo)準(zhǔn)(OpenCL)對(duì)FPGA、DSP和GPU等一些硬件均支持,并且對(duì)開發(fā)人員來說是免費(fèi)、開源的,因此作為異構(gòu)硬件編程的工具也深受吸引.除了GPU外,FPGA由于硬件配置靈活,具有可編程、高可靠性、高集成度和高速等優(yōu)點(diǎn)[4],且在單位能耗下與GPU相比有更好的性能,在功耗、性能和實(shí)時(shí)性方面顯著優(yōu)于其他處理器.2015年,Intel以167億美元收購(gòu) 了Altera、Xilinx和IBM正式聯(lián)手,都充分說明了FPGA在這個(gè)充滿競(jìng)爭(zhēng)的大數(shù)據(jù)市場(chǎng)的重要性.當(dāng)前FPGA的主要廠商是Xilinx和Altera,這兩家公司在全球市場(chǎng)中占據(jù)著近90%的市場(chǎng)份額.因此無論是在未來深度學(xué)習(xí)領(lǐng)域里,還是其他相關(guān)領(lǐng)域,FPGA將更受廣大科研人員和業(yè)界的關(guān)注.

目前FPGA的設(shè)計(jì)主要采用Verilog HDL和VHDL兩種硬件描述語言.硬件描述語言是屬于并行結(jié)構(gòu),而且需要有一定的硬件基礎(chǔ)才能進(jìn)行仿真、綜合和布局布線.一般開發(fā)人員所熟知的C/C++語言是屬于順序執(zhí)行,硬件描述語言與C/C++語言還是存在著一定差距,文獻(xiàn)[5]提到,一百萬門的數(shù)字邏輯的時(shí)序設(shè)計(jì)需要三百萬行RTL代碼,這就使得一些軟件工程師望而卻步.

本文將采用Xilinx公司所提供的Vivado HLS工具套件,HLS (High Level Synthesis)為高層次綜合,它能將軟件開發(fā)人員所編寫C/C++等高級(jí)語言代碼轉(zhuǎn)到可編程邏輯設(shè)計(jì)中,用戶無需事先了解相關(guān)硬件知識(shí)就可實(shí)現(xiàn)RTL級(jí)的硬件功能.利用Vivado套件可以縮短1/3的RTL仿真時(shí)間,提高超過100倍的算法驗(yàn)證速度[6],這不僅僅受益于軟件工程師,而且大大加速了IP創(chuàng)建,縮短了開發(fā)周期,提高了開發(fā)效率.目前國(guó)內(nèi)外學(xué)者大多針對(duì)特定算法進(jìn)行優(yōu)化加速或只是對(duì)HLS進(jìn)行粗糙應(yīng)用,并沒有具體的指令優(yōu)化策略和依據(jù),拓展性不好,缺乏通用性.比如:文獻(xiàn)[7]想到了對(duì)緩沖區(qū)進(jìn)行管理以及對(duì)帶寬進(jìn)行優(yōu)化,提出了一種roofline模型的設(shè)計(jì)方法,通過數(shù)據(jù)重用減少外部數(shù)據(jù)獲取的延時(shí),從而找到了最優(yōu)性能和最低FPGA資源消耗.但此種方法只是針對(duì)特定情形,缺乏通用性,也沒法找到最優(yōu)全局性能.文獻(xiàn)[8]提出了基于HLS開發(fā)方式的線性方程組求解數(shù)據(jù)通路設(shè)計(jì),當(dāng)中只是對(duì)HLS工具進(jìn)行粗糙應(yīng)用,并沒有具體的指令優(yōu)化依據(jù)和策略,而且拓展性不好.文獻(xiàn)[9]利用軟硬件協(xié)同設(shè)計(jì)方法,針對(duì)深度學(xué)習(xí)不同拓?fù)浣Y(jié)構(gòu)下的預(yù)測(cè)過程和訓(xùn)練過程的通用計(jì)算部分進(jìn)行加速,但在精確度和性能權(quán)衡上并沒有說服力,通用性不好.文獻(xiàn)[10]提出了首個(gè)開源程序優(yōu)化器來自動(dòng)重寫給定程序以便優(yōu)化延時(shí),實(shí)驗(yàn)結(jié)果顯示,生成的程序可享有12倍的加速,同時(shí)增加 了7倍的精度,但消耗了4倍多的LUT,此方法適合HLS內(nèi)部自動(dòng)優(yōu)化.文獻(xiàn)[11]提出了兩種對(duì)于HLS自適應(yīng)GA方法:自適應(yīng)GA算子概率(AGAOP)和自適應(yīng)算子選擇(AOS),AGAOP和AOS展現(xiàn)了比SGA更好的魯棒性,文中表明自適應(yīng)方法來解決HLS領(lǐng)域具有很大優(yōu)勢(shì).

綜合國(guó)內(nèi)外對(duì)于HLS算法加速的研究,可以得到:傳統(tǒng)的編程語言(硬件描述語言Verilog HDL或VHDL)由于開發(fā)周期長(zhǎng),開發(fā)難度大,需要有一定硬件知識(shí),很難適應(yīng)日益復(fù)雜的大數(shù)據(jù)時(shí)代,而基于高層次綜合HLS的提出完美地解決了此類問題.

1 遺傳算法分析

Vivado HLS工具中提供了20來種優(yōu)化指令,添加這些優(yōu)化指令能使計(jì)算速度提升,但同時(shí)也會(huì)大幅度增加FPGA的資源消耗.主要的優(yōu)化指令如表1,每條指令產(chǎn)生的優(yōu)化效果可參考官方手冊(cè).

表1 VivadoHLS優(yōu)化指令

通常來說,一段復(fù)雜程序的函數(shù)、循環(huán)、數(shù)組和接口是非常多的,經(jīng)排列組合后將迅速劇增.例如對(duì)DCT源程序,若采取9個(gè)主要優(yōu)化點(diǎn),進(jìn)行排列編碼后將產(chǎn)生:8X8X9X9X9X9X9X6X6=136048896種組合(其中8表示對(duì)函數(shù)進(jìn)行優(yōu)化的7種優(yōu)化指令加上一種默認(rèn)不添加指令情況,9和6則分別對(duì)應(yīng)循環(huán)和數(shù)組的情形),如果把一條指令下的不同參數(shù)也進(jìn)行編碼(本實(shí)驗(yàn)采取一定策略的隨機(jī)生成,暫不進(jìn)行編碼),將產(chǎn)生不可估計(jì)的組合,如此巨大的搜索空間單從人工嘗試的手段是不可能完成的.假定產(chǎn)生一種解決方案進(jìn)行分析將花費(fèi)35s的時(shí)間,在不考慮參數(shù)設(shè)置的情形下,1億多種組合將花費(fèi)超過25年的時(shí)間,這個(gè)還是由機(jī)器運(yùn)行搜索的時(shí)間.倘若采用人工不斷嘗試的方法來尋找較優(yōu)的解決方案,所需的時(shí)間至少是這個(gè)的幾十倍.這就非常有必要找到一種策略來快速搜索有用的優(yōu)化點(diǎn),附加考慮到時(shí)延與資源利用的權(quán)衡問題.因此,本實(shí)驗(yàn)采用遺傳算法來快速搜索全局較優(yōu)解.

遺傳算法是源自生物界中的“物競(jìng)天擇,適者生存”,模擬生物體在自然選擇和遺傳過程中所發(fā)生的繁殖、交叉和基因突變現(xiàn)象[12].一個(gè)種群經(jīng)過漫長(zhǎng)的繁衍,種群中的基因會(huì)逐步向能更好適應(yīng)環(huán)境的方向發(fā)展,優(yōu)勝劣汰,后代留下來的基本是適應(yīng)度較強(qiáng)的優(yōu)良個(gè)體.本實(shí)驗(yàn)利用GA從隨機(jī)產(chǎn)生的初始種群(這里的種群指初始隨機(jī)產(chǎn)生染色體條數(shù)的總數(shù))開始搜索,通過一定的選擇,交叉和變異操作,逐步迭代產(chǎn)生新的種群.

實(shí)驗(yàn)中具體的整個(gè)流程框架如圖1,首先進(jìn)行優(yōu)化點(diǎn)的隨機(jī)選擇,自動(dòng)生成.tcl文件后,調(diào)用Vivado HLS工具進(jìn)行仿真分析生成初始種群.然后,提取生成報(bào)表中的XML數(shù)據(jù)進(jìn)行分析,其中圖2和圖3為FIR程序中未添加任何指令情況下所產(chǎn)生的性能評(píng)估與資源評(píng)估數(shù)據(jù).接著在進(jìn)行染色體的編碼與適應(yīng)度的計(jì)算.最后在利用遺傳算法進(jìn)行染色體的選擇、交叉、變異等一系列迭代重新生成更優(yōu)的種群.

1.1 染色體編碼

以下代碼為DCT中讀數(shù)據(jù)的一小段程序,其中read_data為函數(shù)名,RD_Loop_R、RD_Loop_C為循環(huán)的語句標(biāo)號(hào),buf、input數(shù)組名.

圖1 流程框架圖

圖2 性能評(píng)估圖

圖3 資源利用評(píng)估圖

實(shí)驗(yàn)中主要是針對(duì)程序中的函數(shù)、循環(huán)、數(shù)組、接口進(jìn)行指令的選擇性優(yōu)化.如表2為按照表3的染色體編碼自動(dòng)生成的一條染色體,其中前6位的評(píng)估指標(biāo)分別表示Fitness(適應(yīng)度)、Latency(時(shí)延)、DSP48E、FF(寄存器)、LUT(查找表)、BRAM_18K,后面部分(第7位到第16位)以4個(gè)字段為一組,按照表2進(jìn)行編碼,例如:0 dct_2d 2 7,0表示函數(shù),dct_2d表示函數(shù)名,2表示子函數(shù),7表示所添加的指令.其中Deep1有兩個(gè)取值:1(表示頂層函數(shù))、2(表示子函數(shù));Deep2表示共有幾層循環(huán)嵌套,如1表示一層嵌套,2表示兩層嵌套;Deep3表示數(shù)組維數(shù),如1表示一維數(shù)組,2表示兩維數(shù)組;Deep4表示接口數(shù)組維數(shù),表示方法與Deep3相同.Directive1到Directive4分別對(duì)應(yīng)表1中的函數(shù)、循環(huán)、數(shù)組和接口的優(yōu)化指令編號(hào).

表3 染色體編碼

1.2 適應(yīng)度計(jì)算

本實(shí)驗(yàn)的目的是尋找最少時(shí)延與面積,選擇適應(yīng)度值盡可能大的染色體,因?yàn)檫m應(yīng)度值越大,表示的染色體越優(yōu)質(zhì).以下為所求的適應(yīng)度公式[11]:

說明.Latency表示時(shí)鐘周期延遲,即要得到輸出結(jié)果得花費(fèi)的時(shí)鐘個(gè)數(shù).DSP48E、FF、LUT和BRAM表示添加某種優(yōu)化指令后所產(chǎn)生的資源利用個(gè)數(shù),具體可參考圖3中的資源利用評(píng)估圖.

1.3 選擇操作

本實(shí)驗(yàn)中首先根據(jù)提取到的適應(yīng)度值大小進(jìn)行染色體排序,在以一定概率從中選擇優(yōu)良的個(gè)體,剔除劣質(zhì)染色體,按照輪盤賭選擇法對(duì)優(yōu)良個(gè)體進(jìn)行重插入.比如表3中的三條染色體,先對(duì)Fitness進(jìn)行排序,然后在擇優(yōu)選取適應(yīng)度高的(如第一條),剔除適應(yīng)度低的(如第二條).最后在將第一條染色體重新插入到第二條中.

1.4 交叉操作

本實(shí)驗(yàn)采用的是部分映射雜交,將父代的樣本兩兩分組,隨機(jī)確定兩個(gè)位置進(jìn)行兩兩交叉.交叉過程中為防止適應(yīng)度高的染色體產(chǎn)生突變,對(duì)高適應(yīng)度個(gè)體采取不參與交叉和變異操作.如表4中為交叉前的3組染色體,第一組適應(yīng)度較高,暫不進(jìn)行任何操作,第二組和第三組分為一組進(jìn)行交叉操作,依次類推.然后隨機(jī)在染色體中確定兩個(gè)位置,比如R1和R2,再對(duì)其進(jìn)行交叉操作(即進(jìn)行指令的交換):

0 dct 1 7 ＜---＞ 0 dct 1 0

2 row_outbuf 2 4 ＜---＞ 2 row_outbuf 2 5

如表5為染色體交叉后又重新生成的數(shù)據(jù),此時(shí)產(chǎn)生的適應(yīng)度均高于交叉前的,具體生成的情況并不固定,也可能會(huì)偏低.

表4 染色體交叉前

表5 染色體交叉后

1.5 變異操作

隨機(jī)確定兩個(gè)點(diǎn)進(jìn)行變異操作.變異是個(gè)小概率事件,因此使用中所設(shè)置的參數(shù)要較小.如表6所示,隨機(jī)確定R1、R2兩個(gè)變異點(diǎn),對(duì)其進(jìn)行變異操作:

0 dct 1 0 ＜---＞ 0 dct 1 3

2 row_outbuf 2 5 ＜---＞ 2 row_outbuf 2 1

表6 染色體變異前

表7為變異后重新產(chǎn)生的結(jié)果,可見比變異前的效果更好,但這種操作具有偶然性的、不確定性,也可能變得更差.

表7 染色體變異后

2 GA的參數(shù)設(shè)置

實(shí)驗(yàn)中主要針對(duì)程序中的函數(shù)、循環(huán)、數(shù)組和接口進(jìn)行指令選擇優(yōu)化,同一條指令下的不同參數(shù)采用一定策略的隨機(jī)自動(dòng)生成.實(shí)驗(yàn)對(duì)象選取了Xilinx主要的3個(gè)案例進(jìn)行分析,其中GA的具體參數(shù)設(shè)置如表8.

表8 遺傳算法參數(shù)設(shè)置

說明.種群大小、最大遺傳迭代、交叉率和變異率對(duì)實(shí)驗(yàn)結(jié)果和運(yùn)行速度都有一定影響,但現(xiàn)無理論依據(jù)對(duì)其選取,唯有通過不斷嘗試才能確定其合理的大小.表中數(shù)據(jù)是經(jīng)過數(shù)十次嘗試(包括增大迭代次數(shù)、種群數(shù)等)而得到的結(jié)果,由于實(shí)驗(yàn)對(duì)象不是特別復(fù)雜,最優(yōu)解收斂快,因此迭代次數(shù)沒有設(shè)置太大.

3 實(shí)驗(yàn)結(jié)果與性能評(píng)估

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)采用的處理器為:Intel(R)Core(TM)i5-3210M CPU @2.50GHz,采用的FPGA為Xilinx kintex7,xc7k160tfbg484-1.利用Vivado HLS工具進(jìn)行各種算法的初始仿真驗(yàn)證.編譯器采用VS2013進(jìn)行主程序的大量仿真實(shí)驗(yàn)與遺傳算法的測(cè)試分析,MATLAB作為最后實(shí)驗(yàn)結(jié)果的數(shù)據(jù)圖表分析.

3.2 實(shí)驗(yàn)結(jié)果與性能評(píng)估

如圖4為FIR基于遺傳算法尋找最優(yōu)解的進(jìn)化過程,圖中各點(diǎn)為每50個(gè)樣本(共1050個(gè))中選取的最優(yōu)適應(yīng)度,包含初始解總共有21個(gè)點(diǎn),因此圖像波動(dòng)性不大,為觀察方便而繪制成連續(xù)圖像.如圖,經(jīng)20次迭代后,子代的適應(yīng)度值已明顯趨于穩(wěn)定,此時(shí)的適應(yīng)度值為0.33442982,其中當(dāng)種群迭代到第6代后,優(yōu)質(zhì)染色體發(fā)生了突變,適應(yīng)度降低,但由于在逐代進(jìn)化中保留了父代的優(yōu)良品質(zhì),因此適應(yīng)度又迅速提升.

圖4 FIR最優(yōu)解的進(jìn)化過程

圖5為FIR初始產(chǎn)生的樣本數(shù)據(jù)與經(jīng)過遺傳算法最終產(chǎn)生的樣本數(shù)據(jù)的適應(yīng)度對(duì)比圖,由圖顯然可以看出其后代基本穩(wěn)定在0.05以上,其中個(gè)別經(jīng)過GA后的種群樣本適應(yīng)度偏低以及有大范圍波動(dòng)是由于染色體底層參數(shù)(即一條指令下參數(shù)設(shè)置不同)隨機(jī)變化而產(chǎn)生,但這并不會(huì)影響整個(gè)種群中的最優(yōu)解.為了探討參數(shù)變化的影響,實(shí)驗(yàn)中特意選取了復(fù)雜度較為簡(jiǎn)單的Matrixmul (矩陣相乘)來進(jìn)行分析,其中實(shí)驗(yàn)條件將一條指令下的參數(shù)固定(即不人為進(jìn)行隨機(jī)數(shù)生成,而是采取HLS工具中的默認(rèn)參數(shù)).如圖6、圖7為Matrixmul產(chǎn)生的適應(yīng)度分析圖,其中圖6,由于Matrixmul復(fù)雜度不高,后代在第7代的種群中就發(fā)現(xiàn)存在較優(yōu)的解,因此其后很快就穩(wěn)定下來.由圖7可顯然看出,在沒有參數(shù)影響下,后代適應(yīng)度全部穩(wěn)定在0.251675中,當(dāng)然如果FIR也將參數(shù)固定也會(huì)產(chǎn)生類似結(jié)果.

圖5 FIR初始與GA后的樣本適應(yīng)度分布圖

圖6 Matrixmul最優(yōu)解的進(jìn)化過程

圖7 Matrixmul初始與GA后的樣本適應(yīng)度分布圖

表9、表10為FIR和Matrixmul的性能與資源利用的各自對(duì)比,第一行表示不添加任何優(yōu)化指令的情況下所產(chǎn)生的結(jié)果,第二行表示Xilinx公司例程中所給的最好方案(實(shí)驗(yàn)條件相同下),第三行表示本文中利用GA尋求最優(yōu)解產(chǎn)生的結(jié)果,對(duì)比三種方案易知,在資源充足下,權(quán)衡時(shí)延與面積,第三種方案是最優(yōu)的,而且在資源比Xilinx公司提供的方案還少下,卻有較大的適應(yīng)度,在此也表明了利用GA尋求最優(yōu)解的有效性.

表9 Performance and utilization comparison to FIR

表10 Performance and utilization comparison to Matrixmul

同理,利用本軟件架構(gòu)對(duì)DCT進(jìn)行尋優(yōu),運(yùn)行結(jié)果與所得數(shù)據(jù)如圖8、圖9和表9,具體的分析類似前面所述.由于硬件條件的限制,實(shí)驗(yàn)中減少了解空間的復(fù)雜度,指令下的參數(shù)采用默認(rèn)生成,數(shù)組固定采用ArrayPartition的優(yōu)化指令,共設(shè)置11個(gè)優(yōu)化點(diǎn).如圖8、圖9,后代在第13次迭代中穩(wěn)定下來,尋優(yōu)期間只有一次波動(dòng),經(jīng)過20迭代后基本在適應(yīng)度為0.00743396中穩(wěn)定下來.值得注意的是,從表11可以看出此時(shí)的資源消耗也非常大,但在資源充足情況下,以空間換時(shí)間也未嘗不是一種不錯(cuò)的措施.

圖8 DCT最優(yōu)解的進(jìn)化過程

圖9 DCT初始與GA后的樣本適應(yīng)度分布圖

表11 Performance and utilization comparison to DCT

4 結(jié)束語

為適應(yīng)目前的大數(shù)據(jù)時(shí)代,將各種算法在硬件上進(jìn)行加速是非常有必要的.傳統(tǒng)的硬件描述語言因其開發(fā)周期難,開發(fā)難度大等因素而無法滿足當(dāng)前需求.通常情況下,各種算法源代碼中的函數(shù)、數(shù)組、循環(huán)和接口是非常之多,這就造成了優(yōu)化點(diǎn)的解空間劇增,因此本文提出了一種基于遺傳算法利用Vivado HLS工具進(jìn)行快速尋找最優(yōu)解.通過對(duì)Xilinx公司所提供的FIR、DCT和Matrixmul三個(gè)主要案例進(jìn)行詳細(xì)分析,運(yùn)用本人所寫的一套程序架構(gòu)對(duì)其仿真實(shí)驗(yàn),尋找到了較優(yōu)的可行方案,此程序架構(gòu)也可適用于其他需要硬件算法加速的程序,一定程度上滿足了通用性.實(shí)驗(yàn)過程中也發(fā)現(xiàn)了對(duì)于復(fù)雜程序,由于優(yōu)化點(diǎn)較多將產(chǎn)生組合爆炸,使得想在龐大的解空間中尋找最優(yōu)解變得很難,因此必須采取一定策略來降低這個(gè)天文數(shù)字,比如只針對(duì)其中的關(guān)鍵程序做優(yōu)化,這些都將是今后研究的重點(diǎn).

1 Wang C,Gong L,Yu Q,et al.DLAU:A scalable deep learning accelerator unit on FPGA.IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems,2017,36(3):513–517.

2 http://blog.chinaunix.net/uid-20361370-id-1962845.html.

3 http://www.codesec.net/view/410065.html.

4 Slimane-Kadi M,Brasen D,Saucier G.A fast-FPGA prototyping system that uses inexpensive high-performance FPIC.Proceedings of 2nd Annual Workshop on FPGAs.Berkeley,CA,USA.1994.147–156.

5 O’Loughlin D,Coffey A,Callaly F,et al.Xilinx vivado high level synthesis:Case studies.Irish Signals &Systems Conference 2014 and 2014 China-Ireland International Conference on Information and Communications Technologies.Limerick,Ireland.2013.352–356.

6 思文.Vivado設(shè)計(jì)套件將速度提高四倍.中國(guó)電子報(bào),2013-06-18(007).

7 Zhang C,Li P,Sun G,et al.Optimizing FPGA-based accelerator design for deep convolutional neural networks.Proceedings of the 2015 ACM/SIGDA International Symposium on Field-Programmable Gate Arrays.Monterey,CA,USA.2015.161–170.

8 王曉璐.基于Zynq的LS-SVM算法加速器設(shè)計(jì)[碩士學(xué)位論文].哈爾濱:哈爾濱工業(yè)大學(xué),2015.

9 余奇.基于FPGA的深度學(xué)習(xí)加速器設(shè)計(jì)與實(shí)現(xiàn)[碩士學(xué)位論文].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2016.

10 Gao X,Wickerson J,Constantinides GA.Automatically optimizing the latency,area,and accuracy of C programs for high-level synthesis.Proceedings of the 2016 ACM/SIGDA International Symposium on Field-Programmable Gate Arrays.Monterey,CA,USA.2016.234–243.

11 Mei FCC,Phon-Amnuaisuk S,Alias MY,et al.Adaptive GA:An essential ingredient in high-level synthesis.Proceedings of the 2008 IEEE Congress on Evolutionary Computation.Hong Kong,China.2008.3837–3844.

12 馬永杰,云文霞.遺傳算法研究進(jìn)展.計(jì)算機(jī)應(yīng)用研究,2012,29(4):1201–1206,1210.