چکیده فارسی:

بهینه سازی لانه مورچه (ACO) یک الگوریتم الهام گرفته از طبیعت است که کاربرد گسترده ای در مسایل بهینه سازی دارد. بهره وری سیستم های روی تراشه (NoC) عموما بر توزیع ترافیک و مسیریابی چیره شده است. در صورتی که اطلاعات دقیق تری از شبکه داشته باشیم، می توان با استفاده از فرومون، مسیریابی سازگار مبتنی بر ACO را انجام داد که با توان بیشتری بر مشکلات سربار ترافیک غیرقابل پیش بینی و نامتوازن غلبه می کند. از سوی دیگر، هزینه پیاده سازی ACO در حالت کلی بسیار زیاد است. زیرا باید اطلاعات شبکه را در حافظه فرومون ها ذخیره کند و یک جدول مسیریابی از تمامی جفت کانال– مقصدها ایجاد نماید. ما مسیریابی سازگار آبشاری مبتنی بر ACO (ACO-CAR) را پیشنهاد می دهیم که در آن دو ویژگی با هم ترکیب می شوند: 1) اصلاح جدول با حذف اطلاعات افزونه مقاصد دوردست از تمام جدول مسیریابی و 2) جستجوی سازگار نقاط آبشاری برای اطلاعات دقیق تر شبکه. نتایج آزمایشات ما نشان می دهد که ACO-CAR دارای تاخیر کمتر و توان اشباع بالاتری است و می توان آن را با 19.05% حافظه جدول مسیریابی پیاده سازی نمود.

چکیده انگلیسی‌:

Ant Colony Optimization (ACO) is a bio-inspired algorithm extensively applied in optimization problems. The performance of Network-on-Chip (NoC) is generally dominated by traffic distribution and routing. With more precise network information for path selection by using pheromone, ACO-based adaptive routing has higher potential to overcome the unbalance and unpredictable traffic load. On the other hand, the implementation cost of ACO is in general too high to store network information in pheromone memory, which is a routing table of all destination-channel pairs. We propose an ACO-based Cascaded Adaptive Routing (ACO-CAR) by combining two features: 1) table reforming by eliminating redundant information of far destinations from full routing table, and 2) adaptive searching of cascaded point for more precise network information. Our experimental results show that ACO-CAR has lower latency and higher saturation throughput, and can be implemented with 19.05% memory of full routing table.