【技术实现步骤摘要】
本专利技术涉及一种基于深度强化学习的dvfs设计方法，属于人工智能应用。
技术介绍
1、随着机器学习技术的发展，诞生了多种用于解决实际问题的机器学习方法。在这些方法中，主要分为监督学习、无监督学习和强化学习三大类。不同于以上两种，强化学习是一种用于解决多阶段序贯决策问题的机器学习方法，通过不断尝试不同的决策序列并对决策的结果进行评价，实现对决策序列的不断优化，最终得到最优的决策方法。
2、广泛地讲，强化学习是智能体通过与环境交互来实现目标的一种计算方法。智能体和环境的一轮交互是指，智能体在环境的一个状态下做一个动作决策，把这个动作作用到环境中，这个环境发生相应的改变并且将相应的奖励反馈和下一轮状态传回智能体。这种交互是迭代进行的，智能体的目标是最大化在多轮交互过程中获得的累积奖励的期望。
3、dvfs是一种系统级技术，通过在运行时调整cpu/npu的电压和频率水平来平衡处理器整体能效，从而达到系统更高性能。dvfs已被研究多年，但由于两个主要原因，目前仍认为实现理想dvfs对嵌入式设备来说具有挑战性：i)在功率受...
【技术保护点】
1.一种基于深度强化学习的DVFS设计方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度强化学习的DVFS设计方法，其特征在于，DVFS模型为：
3.根据权利要求1所述的一种基于深度强化学习的DVFS设计方法，其特征在于，权衡权重β设定值越小，则DVFS模型更优先考虑应用程序的性能质量最大化；当权衡权重β取值为0时，不考虑CPU和NPU的功耗。
4.根据权利要求2所述的一种基于深度强化学习的DVFS设计方法，其特征在于，将DVFS模型转换为马尔可夫决策过程，设计DQN网络，通过强化学习求解，具体为：
5.根据...
【技术特征摘要】
1.一种基于深度强化学习的dvfs设计方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度强化学习的dvfs设计方法，其特征在于，dvfs模型为：
3.根据权利要求1所述的一种基于深度强化学习的dvfs设计方法，其特征在于，权衡权重β设定值越小，则dvfs模型更优先考虑应用程序的性能质量最大化；当权衡权重β取值为0时，不考虑cpu和npu的功耗。
4.根据权利要求2所述的一种基于深度强化学习的dvfs设计方法，其特征在于，将dvfs模型转换为马尔可夫决策过程，设计dqn网络，通过强化学习求解，具体为：
5.根据权利要求4所述的一种基于深度强化学习的dvfs设计方法，其特征在于，奖励函数表示为：
6.根据权利要求2或5所述的一种基于深度强化学习的dvfs设计方法，其特征在于，...
【专利技术属性】
技术研发人员：孟晓，于立新，朴泉宇，庄伟，秦智勇，杨达明，张世远，官同鹏，汪博，王春清，华阳，梁桓，
申请(专利权)人：北京微电子技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。