基于集成学习的编译优化参数选择方法研究

论文摘要

基于机器学习的迭代编译方法是当前迭代编译领域的研究热点,其挑战在于学习算法选择、优化参数搜索及程序特征表示等问题。基于集成学习技术提出一种优化参数组合自动预测方法 ELOPS。使用约束多目标粒子群优化算法对优化空间进行搜索,找到样本函数最佳优化参数组合;通过特征—类相关性度量方法对函数特征进行抽取;最后通过由函数特征和最佳参数组合形成的样本构建集成学习模型,对新程序优化参数进行预测。基于两种平台,在NPB测试集和大型科学计算程序上与现有方法进行对比。实验结果表明,ELOPS方法比现有方法具有更好的预测性能。

论文目录

• 1 相关工作
• 2 程序变换优化参数选择模型
• 3 优化空间搜索算法
•   3.1 标准PSO算法
•   3.2 自适应多目标粒子群算法
• 4 基于集成学习的优化参数预测
•   4.1 Stacking集成预测模型
•   4.2 程序特征选择
•   4.3 评价指标
• 5 实验平台与测试数据集
• 6 实验分析
•   6.1 GA与AMPSO的搜索性能比较
•   6.2 采用不同特征选择方法时的性能比较
•   6.3 预测性能分析
•     6.3.1 ELOPS集成学习模型性能分析
•     6.3.2 程序性能分析
• 7 结论

文章来源

类型: 期刊论文

作者: 刘慧,姚金阳,赵荣彩

关键词: 编译优化参数,集成学习,优化空间搜索,特征抽取

来源: 信息工程大学学报 2019年03期

年度: 2019

分类: 信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 数学工程与先进计算国家重点实验室,河南师范大学计算机与信息工程学院

基金: 国家重点研发计划资助项目(2016YFB0200503)

分类号: TP314;TP18

页码: 319-327

总页数: 9

文件大小: 728K

下载量: 28