基于FPGA數據流控制動態可重構的實現

摘要 基于FPGA基本數據流的下載控制方式，利用遺傳算法，通過單片機控制數據流的方式對FPGA進行編程配置，實現自身重構，使系統具有自適應、自組織和自修復的特性。
關鍵詞 FPGA；遺傳算法；動態重構；單片機

可重構計算的概念是在20世紀60年代由美國加利福尼亞大學的Geraid Estrin提出，并研制了系統原型。70年代末，Suetlana P Kartas-hev和Steven I．Kartashev博士提出了動態可重構系統的概念。進入90年代，可重構技術成為了研究熱點，近幾年，可重構計算和軟硬件協同設計，是當前計算機科研領域的兩大核心，其任務建模平臺大多是基于FPGA的動態可重構系統，是最近幾年該領域研究的熱點話題，并在多領域得到廣泛應用。
本文實現了基于遺傳算法的硬件演化過程。通過Mcu隨機產生種群，選擇好的基因進行交叉變異產生后代，然后將合適的基因通過測試找到最佳重構方案。選擇最佳方案應用于硬件，實現自我修復和自適應。

1 軟件算法
遺傳算法(Genetic Algorithm，GA)是由美國密執安大學John Holland教授于20世紀70年代提出并逐步發展起來的一種自適應全局優化搜索算法。他模擬自然選擇和自然遺傳過程發生的繁殖，交叉和基因突變現象，在每次迭代中都保留一組候選解，并按某種指標從群解中選取較優個體，利用遺傳算子對這些個體進行組合，產生新一代的候選解群，直到滿足某種收斂指標，最終得到問題的最優解或近似解。
基本遺傳算法由4部分組成：(1)編碼(產生初始種群)。(2)適應度函數計算。(3)遺傳算子(選擇、交叉、變異)。(4)運行參數。
1．1 選擇
遺傳算法首先要產生初始種群，通常叫做染色體。染色體由基因組成，如11001，每位二進制數就是一個基因變量，然后通過適應度函數檢測合格的染色體，選擇合格染色體進行下一步的交叉、變異，得到新個體。
遺傳算法中的適應度，是表示某一個體對環境的適應能力，也表示該個體繁殖后代的能力。遺傳算法的適應度函數也叫評價函數，是用以判斷群體中個體優劣程度的指標，它是根據所求問題的目標函數進行評估的。
此處適應度選擇函數的模式通過一種反饋模式，將產生的個體經過仿真檢測評估。如果達到要求，經評估結果存入存儲模塊，然后以輪盤賭的方式對所有的函數結果加權，判斷每個基因的適應度與加權和的比值，即介于(0，1)的小數，選擇大于—個值比如0.8為合格，當評估完群體中所有個體的適應度后，選擇適應度大于0.8的個體存儲，然后等待由交叉變異模塊產生出的新個體。
1．2 交叉變異
交叉變異模塊得到來自選擇模塊的兩個個體，根據隨機數模塊產生的隨機數與交叉概率作比較，判斷是否進行交叉操作。交叉算子根據交叉率將種群中的兩個個體隨機交換某些基因，能夠產生新的基因組合，期望將有益基因組合在一起。
如找到兩個父代基因，需要進行交叉，找到基因的交叉點，將各個基因的交叉點交叉基因變量形成新的基因變量，變異就是每個基因找到基因變異點，試圖通過基因變異找到合適的方案，如圖1所示。

1．3 基因下載
得到的優良基因就是所需的方案，將這個方案直接下載，最后實現可控制，可重構，自適應。如圖2所示。