9263

طراحي و بهينه‌سازي ضرب‌كننده مميزشناور به وسيله الگوريتم ژنتيك

كارشناسي

برق

دكتر هادي‌شهريار شاه‌حسيني

1403/07/14

برق

Design and Optimization of a Floating Point Multiplier with Genetic Algorithm

در سال‌هاي اخير، تقاضا براي محاسبات با عملكرد بالا در حوزه‌هاي مختلفي مانند علم داده، يادگيري ماشين و پردازش سيگنال ديجيتال افزايش چشمگيري داشته است. يكي از اجزاي مهم در اين كاربردها، ضرب‌كننده‌ها هستند كه به عنوان بلوك‌هاي اساسي مدارهاي محاسباتي شناخته مي‌شوند. ضرب‌كننده‌هاي سنتي، اگرچه دقيق هستند، اما اغلب با مشكلات قابل توجهي از نظر مصرف توان، مساحت و سرعت همراه هستند. اين مسئله باعث شده است كه ضرب‌كننده‌هاي تقريبي كه با از دست دادن كمي دقت به دستاوردهاي قابل توجهي در كارايي مي‌رسند، مورد بررسي قرار گيرند. هدف اصلي ما در اين كار، بهينه‌سازي و طراحي ضرب‌كننده‌هاي تقريبي براي دستيابي به تعادلي بين دقت و كارايي، متناسب با نيازهاي خاص مورد نظر در يك كاربرد است كه اين امر به وسيله الگوريتم ژنتيك انجام مي شود. الگوريتم‌ ژنتيك به دليل قابليت منحصر به فرد در جستجوي فضاي طراحي بزرگ و پيچيده و توانايي تكامل راه‌حل‌هايي كه ممكن است از طريق روش‌هاي طراحي سنتي قابل دستيابي نباشند را دارد. اين پروژه شامل توسعه چارچوبي از الگوريتم ژنتيك است كه به طور تكراري جمعيتي از طراحي‌هاي ضرب‌كننده را تكامل مي‌دهد، كه با توابع شايستگي هدايت مي‌شوند تا طراحي بهينه با توجه به مقدار خطاي مدنظر بدست آيد. در نهايت با انجام پروژه توانستيم به الگوريتم كاربردي دست پيدا كنيم كه مي توانيم هر ضرب‌كننده با خطاي دلخواه را بهينه كنيم و در الگوريتم‌هاي كاربردي از آنها بهره بگيريم. اين ضرب‌كننده ها كه از ضرب‌كننده‌هاي cdm8 ساخته شده اند توانستند نتايج مناسبي در خطا، psnr ، توان و مساحت نسبت به ضرب‌كننده‌هاي ديگر ارائه دهند. براي مثال در كاربرد الگوريتم پردازش تصوير مقدار psnr يك ضرب‌كننده تقريبي حدود 1 درصد از ضرب‌كننده دقيق كمتر است اما بهبود قابل توجهي در مقادير مساحت، توان و تاخير دارد.

ضرب‌كننده , ضرب‌كننده تقريبي , الگوريتم ژنتيك , عدد مميزشناور