一种脉冲神经网络映射方法技术

本发明专利技术公开了一种脉冲神经网络映射方法，包括一种针对多对一拓扑映射场景下改进的蚁群算法，给定神经元的索引，经过映射算法，得出其部署的节点索引，相对于传统的蚁群算法，在概率中增加了R

【技术实现步骤摘要】
一种脉冲神经网络映射方法


[0001]本专利技术涉及脉冲神经网络映射
，具体是指一种脉冲神经网络映射方法。

技术介绍

[0002]采用神经形态计算架构的计算机进行仿真工作面临着的一个重要问题是如何将复杂的神经网络映射到节点网络中，即逻辑网络与物理网络的映射问题。逻辑网络，即问题网络、任务网络，尤其是需要对生物神经网络进行仿真时，其规模是巨大的，体现在两方面：一是神经元数目巨大，二是神经元之间的连接复杂。此外，逻辑网络针对不同的应用场景，其结构也是多种多样，不可能针对某种逻辑网络特别设计物理网络的拓扑结构。同时，物理网络的节点的容量有限，能够支持的神经元数量有限，路由单元的能力有限。从而，如何将逻辑网络与物理网络进行映射成为了系统设计的一个关键步骤。

技术实现思路

[0003]本专利技术为了解决上述的各种问题，提供了改进的蚁群映射算法的一种脉冲神经网络映射方法。
[0004]为解决上述技术问题，本专利技术提供的技术方案为：一种脉冲神经网络映射方法，包括一种针对多对一拓扑映射场景下改进的蚁群算法，所述针对多对一拓扑映射场景下改进的蚁群算法定义映射算法为：
[0005]node
idx
＝ω(neuron
idx
)
[0006]即，给定神经元的索引，经过映射算法，得出其部署的节点索引。优化的目标是平均跳数，目标函数如下：
[0007][0008]其中，C(v)是神经元v发出的脉冲所需要的所有转发次数，需要注意的是由于通信模式选择为多播，因而如果多个目标节点在同一个转发方向时只需要一次转发即可，p(v)指的是神经元v产生脉冲占所有神经元脉冲的比例，在随机的情况下，可以认为所有神经元的比例相同。
[0009]初始化，启发信息的定义如下：
[0010][0011]即，神经元v
i
映射到节点r
j
的启发信息由神经元的重要程度和节点的中心程度决定，其中，神经元的重要程度importance(i)为与它连接的神经元个数。
[0012]importance(i)＝Fanin(i)+Fanout(i)
[0013]节点的中心程度由它与其余节点的曼哈顿距离决定。
[0014][0015]节点的中心程度为它距离其他节点的曼哈顿距离之和，这一值反映节点的通信能力，曼哈顿距离之和越小，节点的中心程度越高，意味着节点的通信能力越强，从而在没有其他因素的情况下，神经元更应该部署在中心程度高的节点上，神经元的输出连接的神经元越多，说明神经元的通信压力越大，所以更应该将其放在中心程度高的节点上，所以，启发信息应当与神经元的重要程度呈正比，与其中心程度呈反比，这样使得通信压力大的神经元部署在通信能力强的节点上的可能性更大。
[0016]解构建，在传统蚁群算法中，第t次迭代中，第k只蚂蚁将神经元v
i
映射到节点r
j
的概率为：
[0017][0018]上式中，τ
i，j
(t)是第t次循环时，R
j
(t)是第t次循环时节点r
j
的占用率，神经元v
i
映射到节点r
j
的归一化信息素浓度，本文最上述决策概率进行了改进，
[0019][0020]相对于传统的蚁群算法，在概率中增加了R
j
(t)，代表第t次循环时节点r
j
的占用率，即更倾向于将神经元部署在占用率高的节点上，将不同的神经元部署在同一节点上直接避免了它们之间的通信量，当占用率为0时，R
j
(t)被置为与部署一个神经元相同。
[0021]α和β是衡量两者的权重，α取值越大，则蚂蚁选择走信息素浓度高的路径的可能性就越大，即选择之前尝试过的路径的可能性越大，从而搜索的随机性降低了，β取值越大，蚁群更容易选择局部较短的路径，能够加快收敛速度，但是更容易陷入局部最优。
[0022]allow是当前还可以进行神经元部署的节点集合，因为节点的容量有限，因而随着神经元的部署过程，部分节点会被装满，因而只能选择没有满的节点。
[0023]信息素的更新规则如下：
[0024][0025]其中，p是衰减因子，自然状态下，蚂蚁留下的信息素会随时间衰减，q是放大倍数，若将神经元v
i
映射到节点r
j
这一映射在本次迭代所有蚂蚁的最小成本映射方式中，则对应的信息素放大q倍。
[0026]本专利技术与现有技术相比的优点在于：提出了改进的蚁群映射算法，此外，值得一提的是，本文提出的算法的应用场景更多的是单节点上可以部署多个神经元的情况，与此处
的VOPD任务单节点只能部署一个不同，具有更广阔的应用空间。
附图说明
[0027]图1是本专利技术改进蚁群算法映射成本随迭代次数的变化示意图。
[0028]图2是本专利技术传统蚁群算法与改进蚁群算法对比示意图。
[0029]图3是本专利技术蚁群算法和CNDE映射成本随迭代次数的变化示意图。
[0030]图4是本专利技术VOPD通信核图。
具体实施方式
[0031]下面结合附图和实施例对本专利技术做进一步的详细说明。
[0032]结合附图1至附图4，一种脉冲神经网络映射方法，包括一种针对多对一拓扑映射场景下改进的蚁群算法，所述针对多对一拓扑映射场景下改进的蚁群算法定义映射算法为：
[0033]node
idx
＝ω(neuron
idx
)
[0034]即，给定神经元的索引，经过映射算法，得出其部署的节点索引。优化的目标是平均跳数，目标函数如下：
[0035][0036]其中，C(v)是神经元v发出的脉冲所需要的所有转发次数，需要注意的是由于通信模式选择为多播，因而如果多个目标节点在同一个转发方向时只需要一次转发即可，p(v)指的是神经元v产生脉冲占所有神经元脉冲的比例，在随机的情况下，可以认为所有神经元的比例相同。
[0037]初始化，启发信息的定义如下：
[0038][0039]即，神经元v
i
映射到节点r
j
的启发信息由神经元的重要程度和节点的中心程度决定，其中，神经元的重要程度importance(i)为与它连接的神经元个数。
[0040]importance(i)＝Fanin(i)+Fanout(i)
[0041]节点的中心程度由它与其余节点的曼哈顿距离决定。
[0042][0043]节点的中心程度为它距离其他节点的曼哈顿距离之和，这一值反映节点的通信能力，曼哈顿距离之和越小，节点的中心程度越高，意味着节点的通信能力越强，从而在没有其他因素的情况下，神经元更应该部署在中心程度高的节点上，神经元的输出连接的神经元越多，说明神经元的通信压力越大，所以更应该将其放在中心程度高的节点上，所以，启发信息应当与神经元的重要程度呈正比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脉冲神经网络映射方法，包括一种针对多对一拓扑映射场景下改进的蚁群算法，其特征在于：所述针对多对一拓扑映射场景下改进的蚁群算法定义映射算法为：node
idx
＝ω(neuron
idx
)即，给定神经元的索引，经过映射算法，得出其部署的节点索引。优化的目标是平均跳数，目标函数如下：其中，C(v)是神经元v发出的脉冲所需要的所有转发次数，需要注意的是由于通信模式选择为多播，因而如果多个目标节点在同一个转发方向时只需要一次转发即可，p(v)指的是神经元v产生脉冲占所有神经元脉冲的比例，在随机的情况下，可以认为所有神经元的比例相同。2.根据权利要求1所述的一种脉冲神经网络映射方法，其特征在于：初始化，启发信息的定义如下：即，神经元v
i
映射到节点r
j
的启发信息由神经元的重要程度和节点的中心程度决定，其中，神经元的重要程度importance(i)为与它连接的神经元个数。importance(i)＝Fanin(i)+Fanout(i)节点的中心程度由它与其余节点的曼哈顿距离决定。节点的中心程度为它距离其他节点的曼哈顿距离之和，这一值反映节点的通信能力，曼哈顿距离之和越小，节点的中心程度越高，意味着节点的通信能力越强，从而在没有其他因素的情况下，神经元更应该部署在中心程度高的节点上，神经元的输出连接的神经元越多，说明神经元的通信压力越大，所以更应该将其放在中心程度高的节点上，所以，启发信息应当与神经元的重要程度呈正比，与其中心程度呈反比，这样使得通信压力大的神经元部署在通信能力强的节点上的可能性更大。3.根据权利要求1所述的一种脉冲神经网络映射方法，其...

【专利技术属性】
技术研发人员：黄漪婧，吴志刚，戴靠山，吴建军，沈伟，廖光明，卫军名，周林，杨斌，张丁凡，张辉，周成刚，魏莞月，向光明，童波，朱瑞蒙，
申请(专利权)人：四川晟锦汇科技有限公司，
类型：发明
国别省市：