首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于改进DE算法的电力多核异构芯片能耗优化技术

基于改进DE算法的电力多核异构芯片能耗优化技术

2024-09-23 1 上传者：管理员

摘要：电力多核异构芯片能耗优化技术在调节处理器功耗时负担过高，为降低所需能耗，设计基于改进DE算法电力多核异构芯片能耗优化技术。计算芯片基础元件能耗，通过获取不同功耗链路特征能量值，基于改进DE算法获取芯片多核处理器调度函数与通道序列融合模型隐藏层的神经元数量，设置位置因子平均距离，计算簇间范围内剩余能量值，建立电力数据传输系统通信能耗模型，设计电力多核异构芯片能耗优化算法。分别测试三类芯片处理器所需能耗，在不同的能耗优化技术下，实验结果可知，改进DE算法的能耗值为相同条件下的最小能耗值，可见该能耗优化方法较好。

关键词：
任务内调度
多核芯片
改进DE算法
电力系统
能耗优化
加入收藏

当电力系统不断智能化、信息化的同时，电力节点的芯片已经成为了信息交换的重要纽带。其中，电力多核异构芯片主要用于处理电力系统内过高的能耗负担，保证芯片的可靠性，降低电网系统的能耗隐患。为更好地减少处理器所需功耗，可以使用不同的工作频率以及供电电压，作为系统调节功耗的手段，在多核系统内，以一种混合线性规划的方式，综合建立能耗优化网络，并建立相应的数学模型，保证工作能耗的最小化，达成其最优的任务调度方案。在现有的优化技术中，以移动边缘计算为核心算法，在无线设备的功能体系中，大幅度降低设备能量效率，收集用户的联合优化能量，在最小化的系统中减少发射功率，将优化节点内的子问题一一作为用户决策的基本属性，并得到相应的能耗优化方案[1]。通过云计算方法，处理了数据库内的电力信息，同时将融合极限梯度提升方法与循环单元结构算法作为能耗的优化模型，利用时间向量的序列特征，保证资源占用节点的完整与可预测性。同时将降频处理后的数据导入到卷积神经网络模型中，提出更好的能耗优化模型[2]。将处理器共享高速缓存划分技术作为建模的基本算法，导入缺失率曲线，将缺失率与系统曲线相结合，实现全局求解的最优方案，并在智能电网的优化算法中，完成多角度电力芯片的能耗优化[3]。本文结合以上文献，设计了一种基于改进DE算法的电力多核异构芯片能耗优化技术，以降低芯片处理器的功耗为核心，提出优化方案。

1、建立电力数据传输系统通信能耗模型

在芯片的处理器中，可以在不同的能耗节点依次放置一个路由装置，保证处理节点内含有自身的时间设备，结合多种角度综合转换时钟频率，并在考虑供电电压的基础上，定义系统的通信能耗模型[4]。芯片基础元件的能耗可以表示为：

式中，Ed表示电力多核异构芯片中基础元件的能耗系数；Rf表示基础元件信息传输的有效周期；Pceff表示芯片的切换功率；Vp表示处理器动态节点的供电电压。结合不同的时钟频率，可以得到系统的缓冲区能耗为：

式中，Ebit表示电力芯片通信系统的缓冲区能耗；Vp和Vh分别表示静态环境下供电电压的最大值与动态环境下供电电压的最大值；fu表示时钟频率；kn表示链路交流能耗系数；α表示数据在电压岛上的切换频率[5-6]。此时可以通过源节点，计算不同功耗链路特征上的能量：

式中，E(pn,mn)表示某链路结构中的能量损耗，其中pn和mn分别表示起始点的输入能耗和终点的输出能耗；Ed(r)表示系统供应电压的最大值；Ep(r)表示系统供应电压的最小值；Vk和Vp则分别表示系统在源节点通过不同路径所得到功耗最大值与最小值[7-8]。结合不同单元门中的能耗模型，可以得到系统通信能耗的转换模型：

式中，Evd ff表示芯片优化系统通信能耗的转换值；Emak和Edip分别表示mak节点到dip节点的能耗值；Ep(m)表示网络模块化的传输链路。结合以上公式的计算，可以完成系统通信能耗模型的构建。

2、改进DE算法的芯片多核处理器调度函数获取

为避免路由锁死的情况，可以通过通道相关的循环结构，对非抢占式的多核处理器进行函数的调度与优化[9]。构建节点信息网络，以样本数据在多成员信息匹配中的训练参数作为原始的融合数据，通过试算法计算隐藏层的神经元数量，可以得到计算公式：

式中，nm表示隐藏层的神经元数量；Pk和Uk分别表示输入层与输出层的神经元数量；fa表示簇头节点数。将fa的取值范围设置为[0,1]，可以得到如图1所示的通道序列融合模型。

图1 通道序列融合模型

图1中的输入值与输出值分别为不同网络周期中的融合数据，在监测得到的初始传感器数据中。当隐藏层不同时，其中的节点数量也有较大的差异，对应神经元的簇头节点，可以将输出的特征向量作为算法性能的收敛特性[10-11]。对所有电力数据进行归一化处理，可以得到最大最小值的非线性拟合结果：

式中，f(x)表示归一化处理的结果；dx表示隐藏层与输出层之间的激活函数值；mindx和maxdx分别表示函数值的最小值与最大值。由节点在簇间传输的位置，可以得到不同成员节点的平均距离，此时的位置因子可以表示为：

式中，fp表示不同成员节点平均距离内的位置因子；Gm(j)表示有效能量采集因子在各成员单位间的欧氏距离；nm表示簇内中心节点的数量；dx表示传输节点占总节点的能耗值[12-13]。在该调度函数内，可以执行激活函数的变异操作协议，并与不同变异个体的可行性保持一致，此时能够得到簇间范围内的剩余能量值计算公式为：

式中，(xd,yd)表示非抢占式多核处理器调度函数的变异节点；(xmin,ymin)和(xmax,ymax)分别表示变异节点在种群中的最小位置与最大位置；(xi,yi)表示非极值的变异节点位置。为避免网络数据丢失，需要将其作为隐藏层的神经元，融合在原始数据中，从而得到基于改进DE算法的非抢占式多核处理器调度函数。

3、电力多核异构芯片能耗优化算法设计

综合以上方法，可以得到电力数据传输系统通信能耗模型，并在该模型中获取非抢占式芯片多核处理器调度函数，为得到最优的能耗信息，设计电力多核异构芯片能耗优化算法，其算法流程如图2所示。

图2 算法流程

如图2所示，通过发送簇节点成员的信息，到汇聚节点上，得到输入层、隐藏层以及输出层的节点误差，在达到预设训练次数的精度前，可以计算簇头节点与中心节点的距离因子：

式中，pk表示簇头节点与中心节点的距离因子。当pk大于0时，标志着预设精度达到优化目标；mk表示簇头节点间的信息传输消耗；u(f,sint)表示网络适应函数[14-15]。结合该算法，可以得到电力多核异构芯片的能耗优化结果。

4、实验研究

4.1搭建实验平台

为验证文中设计的基于改进DE算法的电力多核异构芯片能耗优化技术的有效性，设计不同芯片处理器下的能耗测试实验。建立数学模型，并搭建电力多核异构芯片测试的实验平台，在片上芯片通用模拟器的基础上，保证模拟器修改部分的有效性。设置路由器的缓冲单元为64×64，且运算时间内存在4-6个运算周期。在实验平台中将运算周期设置为10 000，其中包含2 000个预热周期和5 000个持续周期，在平台中通过模拟器检验不同应用场景的编码与解码效率。将每一个周期的测试时间局限在50 ms以内，运行周期数在1×105以内，且需要满足任务测试的总利用率小于1。此时可以得到实验平台中，不同供电电压下处理器的参数如表1所示。

表1 不同供电电压下处理器参数

如表1所示，电力多核异构芯片的处理器位于休眠状态时的供电电压为0.60 V，而多核异构芯片全力开启时的供电电压为0.85 V。在标准的路由网络中，将每一个节点依据指数格式生成不同单位的报文格式，并在缓冲区内将容量为若干微片的周期以统计格式记录在计算机中。

4.2芯片初始负载数据

假设处理器分为三类，三类处理器所采取的任务调度方法如下：

A类处理器：在调度芯片能耗时采取单一的调度方法，在结合动态电压频率调解节的基础上完成功耗优化管理。

B类处理器：采用A类处理器内调度方法，同时使用休眠环境下的处理器供电模式，用于处理器功耗的计算。

C类处理器：采用A类处理器的调度方法，同时采用权利供电的电压值作为电压频率的调节频率，综合考虑处理器的动态与静态功耗。

以上三类处理类型中，每一个类型分别存在20台模拟器，各模拟器使用自身的样本处理负载数据，通过模拟实验，验证改进DE算法下该能耗优化技术的优化结果。此时可以得到24 h内芯片的初始负载结果如图3所示。

图3 日内初始负载

如图3所示，在12 h前的最初阶段，A类处理器的最大负载值大于B类处理器，大于C类处理器。在约0 h-12 h之间，三类处理器的负载均呈现出下降的趋势，直至10 h-12 h时达到最低值50%左右。此后，三类处理器的负载对时间逐渐增加，但是A类处理器最大负载的度增趋势小于B类处理器，B类处理器则小于C类处理器。

4.3不同类型芯片功耗优化效果测试

在多种异构处理器的部署优化中，矩阵hij=1以及hij=1分别表示不通过编号服务器下的机架功耗，则此时不同类型的芯片功耗可以通过公式（10）计算得到。

式中，Pkm表示特定供电电压下多核异构芯片的功耗；Pba表示服务器机架下某一时段内的处理器负载；hij和uij分别表示服务器机架的矩阵结构。通过芯片的优化部署，引入松弛变量δk，可以得到功耗的优化结果，公式为：

式中，Pf表示同类服务器平均分配下的功耗优化结果；δk表示松弛变量；Pkm(i)表示机架i的服务器功耗。通过该公式可以得到不同时段内的芯片能耗优化结果如图4所示。

图4 能耗优化效果

图4是三类不同的处理器能耗优化效果测试结果，在同等时段中，A类处理器的能耗值最大，B类处理器能耗有一定程度减小，C类处理器能耗最小。且能耗值与日内初始负载成正比例，在正午12 h时达到功耗的最小值。对比四种能耗优化技术，改进DE算法所得功耗，在同等条件下均为功耗的最小值，可见其优化效果最好。

5、结束语

基于改进DE算法的电力多核异构芯片能耗优化技术，通过过去多方位的调度方案，实现了电压频率调节的整体模型优化。在多种方法的对比中可以得知，本文设计的能耗优化技术调度结果是多种技术中的最优解，在不同类型的芯片处理器内，均可以得到最低的能耗值。

参考文献:

[1]卢为党,詹悦者,花俏枝,等.基于无人机无线能量传输的边缘计算系统能耗优化方法研究[J].电子与信息学报,2022,44(3):899-905.

[2]申明尧,韩萌,杜诗语,等.融合XGBoost和Multi-GRU的数据中心服务器能耗优化算法[J].计算机应用,2022,42(1):198-208.

[3]姚浩,黄开天,余宏洲,等.基于共享Cache划分的电力芯片能耗优化技术[J].电力科学与技术学报,2021,36(5):28-34.