基于FPGA数据流控制动态可重构的实现

作者：时间：2011-04-18来源：网络收藏

摘要基于FPGA基本数据流的下载控制方式，利用遗传算法，通过单片机控制数据流的方式对FPGA进行编程配置，实现自身重构，使系统具有自适应、自组织和自修复的特性。
关键词 FPGA；遗传算法；动态重构；单片机

可重构计算的概念是在20世纪60年代由美国加利福尼亚大学的Geraid Estrin提出，并研制了系统原型。70年代末，Suetlana P Kartas-hev和Steven I．Kartashev博士提出了动态可重构系统的概念。进入90年代，可重构技术成为了研究热点，近几年，可重构计算和软硬件协同设计，是当前计算机科研领域的两大核心，其任务建模平台大多是基于FPGA的动态可重构系统，是最近几年该领域研究的热点话题，并在多领域得到广泛应用。
本文实现了基于遗传算法的硬件演化过程。通过Mcu随机产生种群，选择好的基因进行交叉变异产生后代，然后将合适的基因通过测试找到最佳重构方案。选择最佳方案应用于硬件，实现自我修复和自适应。

1 软件算法
遗传算法(Genetic Algorithm，GA)是由美国密执安大学John Holland教授于20世纪70年代提出并逐步发展起来的一种自适应全局优化搜索算法。他模拟自然选择和自然遗传过程发生的繁殖，交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从群解中选取较优个体，利用遗传算子对这些个体进行组合，产生新一代的候选解群，直到满足某种收敛指标，最终得到问题的最优解或近似解。
基本遗传算法由4部分组成：(1)编码(产生初始种群)。(2)适应度函数计算。(3)遗传算子(选择、交叉、变异)。(4)运行参数。
1．1 选择
遗传算法首先要产生初始种群，通常叫做染色体。染色体由基因组成，如11001，每位二进制数就是一个基因变量，然后通过适应度函数检测合格的染色体，选择合格染色体进行下一步的交叉、变异，得到新个体。
遗传算法中的适应度，是表示某一个体对环境的适应能力，也表示该个体繁殖后代的能力。遗传算法的适应度函数也叫评价函数，是用以判断群体中个体优劣程度的指标，它是根据所求问题的目标函数进行评估的。
此处适应度选择函数的模式通过一种反馈模式，将产生的个体经过仿真检测评估。如果达到要求，经评估结果存入存储模块，然后以轮盘赌的方式对所有的函数结果加权，判断每个基因的适应度与加权和的比值，即介于(0，1)的小数，选择大于—个值比如0.8为合格，当评估完群体中所有个体的适应度后，选择适应度大于0.8的个体存储，然后等待由交叉变异模块产生出的新个体。
1．2 交叉变异
交叉变异模块得到来自选择模块的两个个体，根据随机数模块产生的随机数与交叉概率作比较，判断是否进行交叉操作。交叉算子根据交叉率将种群中的两个个体随机交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。
如找到两个父代基因，需要进行交叉，找到基因的交叉点，将各个基因的交叉点交叉基因变量形成新的基因变量，变异就是每个基因找到基因变异点，试图通过基因变异找到合适的方案，如图1所示。