[发明专利]一种脉冲神经网络映射方法

权利要求书

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，其特征在于：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：

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，

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。

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。

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。

4.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：信息素的更新规则如下：

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。