Algoritmos de Escalonamento para a Síntese de Alto Nível
|
|
- Nicolas Madeira Paranhos
- 6 Há anos
- Visualizações:
Transcrição
1 4 Algortmos de Escalonamento para a Síntese de Alto Nível Francsco Asss M. Nascmento* Resumo: Neste capítulo são apresentados os prncpas algortmos de escalonamento empregados em ferramentas de automação de proeto que realzam a Síntese de Alto Nível. Os algortmos báscos para o escalonamento sem restrções, sob restrções de tempo e sob restrções de recursos são descrtos e lustrados com exemplos, destacando-se aspectos de complexdade, bem como de aplcabldade de cada um deles. *Professor Adunto do Departamento de Informátca da ULBRA. Mestrado em Cênca da Computação pelo Insttuto de Informátca da UFRGS (992). Bach. em Cênca da Computação pela UFPb/Campus I (988). Departamento de Informátca, Unversdade Luterana do Brasl - ULBRA R. Mguel Tostes, - CEP Canoas - RS Fax: E-Mal: asss@ulbra.tche.br WWW:
2 4. Introdução O escalonamento é a tarefa da síntese de alto nível [McF 9] encarregada de determnar o tempo de níco da execução de cada operação presente no grafo de fluxo de dados (Data Flow Graph - DFG). Um DFG representa as dependêncas exstentes entre as operações, extraídas da descrção do comportamento a ser sntetzado em hardware. Os tempos de níco de execução de cada operação devem satsfazer as dependêncas dtadas pelo DFG, de manera que, se duas operações possuem algum tpo de dependênca, o escalonamento não pode permtr que elas seam executadas concorrentemente. Assm, o escalonamento determna quanto de paralelsmo será permtdo na mplementação resultante. Usualmente, os algortmos de escalonamento partconam o DFG em subgrafos, de manera que as operações contdas em cada subgrafo possam ser executadas em um mesmo passo de controle [GAJ 92]. Cada passo de controle corresponde a um estado de uma máquna de estados fnta, que representa a parte de controle do crcuto a ser sntetzado. Para cada operação escalonada em um passo de controle, é necessáro que sea alocada uma undade funconal, que se encarregará de executar a operação. Assm, o número total de undades funconas requerdas em um passo de controle corresponde exatamente ao número de operações escalonadas nele. Para se ter uma mplementação de alta performance, o máxmo possível número de operações devem ser escalonadas em cada passo de controle, mas com sso, mas undades funconas serão necessáras, o que aumenta o custo da mplementação. Portanto, o prncpal problema dos algortmos de escalonamento é ustamente o de encontrar uma mplementação para o comportamento especfcado que sea satsfatóra em termos de dos fatores confltantes: custo e performance. 4.. Grafo de Fluxo de Dados (DFG) Nos algortmos apresentados nas próxmas seções serão utlzados DFG's defndos formalmente da segunte manera [DeM 94]. Um DFG é um grafo acíclco, polar e dreconado G ( V, E), onde V é um conunto de vértces ou nodos e E um counto de arestas. Cada vértce v Œ V representa uma operação da descrção comportamental. Exste uma aresta ( v, v ) Œ E sempre que um dado produzdo pela operação representada por v é consumdo por uma outra operação representada por v. Assume-se que exstem vértces v e v n, que correspondem aos vértces ncal e fnal do grafo polar G. Estes vértces representam operações Nop (no-operaton). Assocado a cada vértce v Œ V tem-se um valor d Œ D, onde D d, d, K, d, representando o { n tempo de execução, em cclos de relógo, da operação representada por d d n. v. Assm, Também assocado a cada vértce v tem-se um valor t, onde T { t, t, K, tn, que representa o tempo de níco de execução da operação representada por v. Com sso, a
3 latênca de um escalonamento (número de cclos necessáro para se executar todo o escalonamento) pode ser defndo por L t - n t. Para que as dependêncas ndcadas pelo DFG seam respetadas, um escalonamento sem qualquer outra restrção deve satsfazer pelo menos a segunte relação: t t + d, ", : ( v, v ) Œ E Ou sea, operações com algum tpo de dependênca não podem ser executadas ao mesmo tempo Exemplo de DFG Para lustrar os város algortmos que serão abordados nas próxmas seções, será utlzado o exemplo a segur, extraído do lvro de Govann De Mchel [DeM 94]. A fgura mostra o trecho de uma descrção comportamental e seu respectvo DFG. Na descrção comportamental estão ndcados, em comentáros, os vértces que representam cada operação, na ordem em que aparecem na expressão, da esquerda para a dreta. Assm, o vértce v representa a operação 3*x, v 2 a operação u*dx, e assm por dante. x : x + dx; // v u : u - (3*x*u*dx) - (3*y*dx); // v5, v, v3, v2, v4, v6, v7 y : y + (u * dx); // v 9,v8 c x < a ; // v Fgura : Exemplo de descrção e respectvo DFG No DFG acma, os vértces { v 3, v4, v5 são sucessores de v, onde v 3 é um sucessor medato de v. Os dferentes camnhos no DFG representam a concorrênca exstente entre as operações. Nas próxmas seções serão apresentados algortmos que usam DFG s para realzarem város tpos de escalonamento, cada um voltado para uma determnada stuação de proeto. 4.2 Escalonamento sem restrções de recursos
4 O escalonamento sem restrções de recursos é usado quando se tem recursos dedcados para cada operação, sea por cada operação exgr um tpo de recurso de hardware dferente, sea por ser o custo deles desprezível em relação ao custo dos regstradores, da lógca de controle e das nterconexões. Este tpo de escalonamento também pode ser usado para se determnar lmtes para a latênca, que podem então serem empregados em escalonamentos sob restrções Algortmo ASAP O problema do escalonamento com latênca mínma e sem restrções de recursos pode ser resolvdo em tempo polnomal através de uma classfcação topológca dos vértces do DFG. Este é o chamado escalonamento "tão cedo quanto possível" (as soon as possble - ASAP), onde o tempo de níco de execução de uma operação é o menor que sea permtdo S pelas dependêncas entre as operações. O algortmo ASAP é mostrado na fgura 2, onde t representa os tempos de níco de execução de cada uma das n operações do DFG, ou sea, um vetor com { t S,,, K, n. ASAP(G(V,E)) { S Escalona v fazendo t ; repeat { Escolhe vértce v com predecessores á escalonados; S S Escalona v fazendo t { t + d ; untl ( v n está escalonada); return(); max :(v, v ) ŒE Fgura 2: Algortmo As Soon As Possble Quando exste uma restrção de tempo, por exemplo, dada por uma latênca máxma Lat, o problema do escalonamento pode ser anda resolvdo com o uso do algortmo ASAP. Basta S S verfcar se, depos de aplcado o algortmo ASAP, t - t Lat Algortmo ALAP n +. Se exste um escalonamento que satsfaz o lmte máxmo de latênca Lat, é possível então se explorar o ntervalo de valores dos tempos de níco de execução das operações que satsfazem a restrção de latênca. Para sto, pode-se usar um algortmo complementar ao ASAP, chamado "tão tarde quanto possível" (as late as possble - ALAP). Enquanto o algortmo ASAP retorna os tempos mínmos de níco de execução das operações, o algortmo ALAP retorna os tempos máxmos. L O algortmo ALAP é mostrado na fgura 3, onde t representa os tempos de níco de execução de cada uma das operações do DFG, tal como computados pelo algortmo ALAP. Este algortmo também pode ser usado para escalonamentos em que não são especfcadas quasquer restrções. Neste caso, usa-se como lmte da latênca Lat o valor S S para a latênca computado pelo algortmo ASAP, ou sea Lat t n - t.
5 Fgura 3: Algortmo As Late As Possble Com os algortmos ASAP e ALAP também é possível se determnar a mobldade de cada operação, ou sea, o ntervalo de tempo em que cada operação pode ncar sua execução. A L S mobldade de uma operação representada por v é computada por mob t - t. Assm, uma mobldade gual a zero ndca que a operação somente pode ser ncada naquele dado passo de controle, senão o lmte de latênca não será respetado. Tanto o algortmo ASAP quanto o ALAP, possuem a mesma complexdade do algortmo para classfcação topológca dos vértces de uma grafo, ou sea, da ordem do número de vértces vezes o número de arestas: O( V E ). Na fgura 4 são mostrados os escalonamentos ASAP e ALAP para o DFG da fgura, assumndo-se que todas as operações possuem atraso untáro, ou sea, d,,2, K, n -. ALAP(G(V,E),Lat) { Escalona v fazendo t L n Lat + ; n repeat { Escolhe vértce v com sucessores á escalonados; L L Escalona v fazendo t { t + d ; untl ( v está escalonada) return(); mn :(v, v ) ŒE Fgura 4: Escalonamentos ASAP e ALAP
6 S O algortmo ASAP faz prmeramente t e assm, os vértces com predecessores á escalonados passam a ser {v,v2,v6,v8,v e os tempos de níco de execução deles recebem t S S + d +, e assm por dante, até que t n tenha sdo computado. Neste S exemplo, t 5 e assm, a latênca do escalonamento é Lat 5-4. n O resultado do algortmo ALAP, mostrado na fgura 4, usou Lat 4 e com sso, ele faz L prmero t 5. Depos dsto, os vértces com sucessores á escalonados são,v,v n {v5 9 e L têm seus tempos de níco de execução gual a t d 5-4, e assm por dante, até que L t tenha sdo computado. Comparando os escalonamentos ASAP e ALAP, pode-se determnar a mobldade das operações: a modldade das operações representadas por {v,v2,v3,v4,v5 é gual a zero, ou sea, estas operações consttuem o camnho crítco do DFG; a mobldade de v 6 e v 7 é gual a e das demas operações é gual a 2. Dado um escalonamento váldo, pode-se determnar faclmente o número de undades funconas necessáras para mplementar o proeto. O número máxmo de operações em qualquer dos passsos de controle do escalonamento representa o número de undades funconas que realzam aquele tpo específco de operação. Assm, no escalonamento ASAP do exemplo acma, o número máxmo de operações de multplcações escalonadas em qualquer dos passos de controle é gual a quatro (no prmero passo de controle), sendo necessáro, portanto, quatro multplcadores para se mplementar o proeto. Além dsso, o ASAP requer uma undade somadora/subtratora e um comparador. Já no escalonamento ALAP, o número máxmo de multplcações escalonadas em um mesmo passo de controle é dos (passos de controle, 2 e 3), sendo necessáro apenas dos multplcadores, além um somador, um subtrator e um comparador. n Escalonamento sob restrções de tempo O escalonamento com restrções de tempo é usado para proetos voltados para aplcações em um sstema de tempo real, onde a resposta do sstema aos estímulos do ambente deve ser dada em tempos bem determnados para que o sstema funcone corretamente. Por exemplo, em mutos sstema de processamento dgtal de snas, a taxa de amostragem dos dados de entrada determna o tempo máxmo permtdo para que um dado algortmo sea completamente executado sobre os dados de uma amostragem antes que a próxma amostra de dados chegue. Neste caso, como a taxa de amostragem é fxa, o prncpal obetvo é mnmzar o custo da mplementação. Nos algortmos de escalonamento sob restrções de tempo são geralmente usadas formulações baseadas em programação lnear ntera (nteger lnear programmng ILP) [PAP 98] e em métodos heurístcos.
7 4.3. Programação Lnear Intera (ILP) Os métodos baseados em ILP [PAP 98] computam um escalonamento ótmo usando algortmos do tpo branch-and-bound, onde algumas decsões fetas nas prmeras terações do algortmo são reavaladas durante o processo de pesqusa pela solução ótma. Para a formulação do escalonamento usando ILP [LEE 89] são usados bascamente os tempos de níco de execução de cada operação computados pelos algortmos ASAP e ALAP e a mobldade das operações. Assocado a cada vértce v Œ V tem-se uma operação o Œ OP, onde OP { o, o, K, on, que é representada por v. Para representar os tpos de recursos de hardware necessáros para mplementar as operações tem-se uma função R : OP Æ ( r, r2, K, rntr que assoca cada vértce o com um únco tpo de recurso r, dentre os ntr tpos de recursos exstentes, que é capaz de mplementar a operação o. Defne-se o conunto tpo r. O valor OP r como consstndo das operações do conunto OP que são do N ndca o número de undades funconas que no escalonamento r executam operações do tpo de recurso r e do tpo r. C r ndca o custo de cada undade funconal Defne-se o conunto S s, s, K, s como o conunto dos passos de controle, ou { 2 m estados, dsponíves para o escalonamento das operações. Defne-se anda x, como varáves nteras, que podem assumr os valores ou, e que terão o valor se a operação o fo escalonada no passo de controle s, ou terão o valor, caso contráro. Com sso o problema do escalonamento pode ser formulado em termos da mnmzação da função obetvo: f ob ntr  ( C N r r ) sob as seguntes restrções. Prmero, cada operação somente um passo de controle entre  S t e (, S L t t L t, ou sea: x ), ", n o deve ser escalonada em um e Segundo, cada operação o tem todos os seus predecessores escalonados em uma passo de controle anteror ao que o fo escalonado, ou sea:   ( x, k + d ) ( l x, l S L S L t k t t l t k ),", : ( v, v ) Œ E
8 Tercero, para se assegurar que nenhum passo de controle contém mas do que recursos do tpo r p pode-se usar a restrção: Â { oœopr p x, N r," : m, " p : p ntr p Esta últma restrção pode ser consderada á uma restrção de recurso, pos lmta a quantdade de recursos que poderá ser usada na mplementação do proeto. Para lustrar esta formulação, a segur tem-se as restrções e a função obetvo a ser mnmzada para o exemplo do DFG da fgura, assumndo que exstem quatro tpos de recursos: um multplcador, um somador, um subtrator e um comparador e todas as operações podem ser executadas em um cclo. Os custos de cada tpo de recurso são dados por C m, C a, C s e C c, respectvamente. O número de multplcadores, somadores, subtratores e comparadores necessáros para o escalonamento é dado respectvamente por N, N, N e N. Assm, a função obetvo a ser mnmzada é defnda por: m a s c f C N + C N + C N + C N ob m m a sueta às restrções a segur. Prmero, todas as operações devem ncar somente uma vez: a x x s s c c x, x, x 2, x 3,2 x 4,3 x 5,4 x6, + x6,2 x7,2 + x7,3 x8, + x8,2 + x8,3 x9,2 + x9,3 + x9,4, + x,2 + x,3,2 + x,3 + x,4 x n, Segundo, todas as dependêncas entre as operações devem ser satsfetas: 2x7,2 + 3x7,3 - x6, - 2x6, x + 4x - x - 2x - 3x - 2x9,2 9,3 9,4 8, 8,2 8, 3 2x,2 + 3x,3 + 4x,4 - x, - 2x,2 - x, 3-4x5,4-2x7,2-3x7, 3-5, 5-2x9,2-3x9,3-4x9, 4-5x n, 5-2x,2-3x,3-4x, 4 - x n 5 N r p
9 Por fm, tem-se as restrções relaconadas aos recursos dsponíves: x x + x + x, + 2, 6, 8, 6,2 + x8,2 + x3,2 + x7, 2 7,3 + x8, 3 x x x 4,3 x 5,4 x, x x 9,2 +, 2 9,3 + x, 3 x N m N m N m N s N s N a N a N a x 9,4 N a x,2 N c x,3 N c x,4 N c Assumndo que o custo C 2 e C C C, a função obetvo é mnmzada e m a s c todas as nequações são satsfetas quando os valores para as varáves são: N 2, m, x2, x6,2 x8,3 x3,2 x7,3 x5,4 x9,4 x,2 x,4 N N N, x, e a s c todas as outras varáves x s guas a. O tamanho da formulaçao usando ILP aumenta rapdamente de acordo com o número de passos de controle dsponíves para o escalonamento. Por exemplo, quando se ncrementa o número de passos de controle em, tem-se n varáves x adconas nas nequações, pos será necessáro consderar um passo de controle extra para cada operação. Além dsso, o número de nequações rá também aumentar de uma manera que é dependente da estrutura do DFG. Como o tempo de execução dos algortmos que resolvem problemas de ILP cresce rapdamente de acordo com o número de varáves e nequações na formulação do ILP, este método em geral somente é aplcável em problemas muto pequenos. Daí a necessdade de métodos heurístcos, como o que é usado pelo algortmo de escalonamento force-drected, descrto a segur Algortmo Force-Drected (FDS) Este algortmo de escalonamento usa uma heurístca chamada force-drected [PAU 89] para realzar o escalonamento sob uma dada restrção de tempo. O prncpal obetvo da heurístca é mnmzar o número total de undades funconas a serem usadas na mplementação do proeto. Para sso, ela procura dstrbur unformemente as operações de um mesmo tpo nos passos de controle dsponíves. Isto garante que as undades funconas alocadas para executar as operações em um passo de controle são também usadas de manera efcente em todos os outros passos de controle. Como será vsto mas adante, esta mesma heurístca pode ser combnada com o algortmo lst schedulng para realzar escalonamento sob restrção de recursos.
10 Como na formulação ILP, o algortmo FDS também usa os algortmos ASAP e ALAP para determnar a mobldade das operações. No contexto do algortmo FDS, a mobldade de S L uma operação é denomnada de tme frame e é representada por [ t, t ], com,, K, n. Além dsso, cada operação o possu uma probabldade unforme de ser escalonada em qualquer dos passos de controle em seu tme frame e uma probabldade gual a zero de ser escalonada em qualquer outro passo de controle fora do seu tme frame. Assm, para um S L dado passo de controle s, tal que t t, a probabldade de que a operação o sea escalonada naquele passo de controle L S s é dada por p ( o ) ( t - t + ). Com sso, quanto maor o tme frame de uma operação, menor a probabldade da operação ser escalonada em qualquer dos passos de controle do seu tme frame. A fgura 5 lustra os cálculos de probabldades para as operações usando os resultados dos algortmos ASAP e ALAP do exemplo do DFG da fgura. Fgura 5: Probabldades das operações e grafo de dstrbução para o multplcador Como mostrado no lado esquerdo da fgura 5, as operações o, o 2, o 3, o 4 e o 5 possuem probabldade gual a de serem escalonadas nos passos de controle s, s, s 2, s 3 e s 4, respectvamente. Já a operação o 6, por exemplo, possu probabldade gual a,5 de ser escalonada no passo de controle s ou no s 2. Ou sea, p o ) p ( o ), 5. ( A partr das probabldades de cada operação são crados grafos de dstrbução de probabldade para cada tpo de recurso do conunto ( r, r2, K, rntr. No lado dreto da fgura 5, tem-se o grafo de dstrbução para o multplcador, mostrando o custo esperado para aquele tpo de recurso em cada passo de controle do escalonamento. O custo esperado de um tpo de recurso r k em um passo de controle s é defndo por q ( ) C p ( o ), onde o é uma operação que precsa de um recurso do tpo r k e rk r k rk  S L t t C é o custo de uma undade funconal capaz de realzar operações do tpo r k. Assm, como mostra a fgura 5, o custo do multplcador no passo de controle s é calculado por qmult ( ) Cmult ( p( o ) + p( o2 ) + p( o6 ) + p( o8 )), ou sea, q mult () Cmult (, +, +,5 +,33), que é gual a q ( ) C 2, 83. Este é ustamente o valor mult mult
11 mostrado no grafo de dstrbução do multplcador para o passo de controle s. O grafo de dstrbução na fgura 5 também mostra cada q mult (), onde q mult () é gual a 2,83; 2,33;,83 e, para,2,3, 4, respectvamente. Como as undades funconas podem ser compartlhadas pelas operações executados nos város dferentes estados, o valor máxmo para o custo esperado de um tpo de recurso á ndca o custo total da mplementação de todas as operações que precsam daquele tpo de recurso. Por sso, o que o algortmo force-drected procura fazer é balancear o valor de q k ForceDrected(G(V,E)) { ASAP(G(V,E)); ALAP(G(V,E),Lat); S L whle ( $ o t t ) { MaxGanho - ; S L for (" o t t ) { r () para cada tpo de recurso r k. A fgura 6 mostra o algortmo force-drected: Fgura 6: Algortmo Force-drected Durante a execução do algortmo, Escal corrente representa o escalonamento parcal mas recente. Escal temp é uma cópa do escalonamento, na qual são fetas as tentatvas de escalonamentos de operações. Em cada teração, as varáves MelhorOper e MelhorPasso guardam a melhor operação a ser escalonada e o melhor passo de controle para escalonar a operação. Quando MelhorOper e MelhorPasso são determndas em uma dada teração, o escalonamento Escal corrente é atualzado usando a função Escalona_Oper(Escal corrente, o, s ), que retorna um novo escalonamento, depos de escalonar a operação controle s usando Escal corrente. S L for (" t t ) { Escal temp Escalona_Oper(Escal corrente, Recalcula_Dstrb(Escal temp, o, s ); o, s ); f (Custo(Escal corrente ) - Custo(Escal temp )) > MaxGanho { MaxGanho Custo(Escal corrente ) - Custo(Escal temp ); MelhorOper o ; MelhorPasso s ; Escal corrente Escalona_Oper(Escal temp, MelhorOper, MelhorPasso); Recalcula_Dstrb(Escal corrente, MelhorOper, MelhorPasso); o no passo de Por conta das dependêncas entre as operações, o escalonamento de uma operação em um dado passo de controle afeta o valor das probabldades das outras operações. O
12 procedmento Recalcula_Dstrb() percorre o conunto de vértces v, austando as dstrbuções de probabldade de seus sucessores e predecesores no DFG. A função Custo(Escal) estma o custo da mplementação de um escalonamento parcal Escal baseado em uma dada função de custo. Uma tal função pode ser a que soma os valores de r () para cada tpo de recurso r k : q k Custo( Escal) Â max( q m k ntr rk ( )) Este custo é calculado usando os valores calculados pelos algortmos ASAP e ALAP para todos os vértces do DFG. Durante cada teração, o custo de atrbur cada operação anda não escalonada para os possíves passos de controle em seus correspondente tme frames é calculado usando Escal temp. A atrbução que levar para o menor custo é aceta e o escalonamento Escal corrente é atualzado. Assm, depos de cada teração uma operação o é S L escalonada em um passo de controle s, com t t. As dstrbuções de probabldade de o são mudadas da segunte manera: p ( o ) e p k ( o ), " k : k. Depos dsto, o escalonamento da operação o permanece fxo, não mudando nas terações subsequentes. A fgura 7 mostra as novas probabldades das operações e o grafo de dstrbução para o multplcador depos da operação o 6 ter sdo escalonada no passo de controle s 2, que resulta no mínmo custo esperado para o multplcador, que passa de 2,83 para 2,33. Fgura 7: Novas probabldades das operações e novo grafo de dstrbução para multplcador A complexdade do algortmo force-drected é cúbca quanto ao número de operações, pos exstem tantas terações quantas forem as operações e cada uma requer os cálculos das novas probabldades e custos para cada escalonamento tentatva. 4.4 Escalonamento sob restrções de recursos As restrções de recursos para o escalonamento são geralmente dadas em termos de número de undades funconas ou área total do crcuto. Neste últmo caso, os algortmos de escalonamento precsam determnar os tpos das undades funconas que se poderá usar
13 no proeto. O obetvo do escalonamento sob restrções de recursos é produzr uma mplementação com a melhor performance possível que satsfaça as restrções especfcadas. O escalonamento sob restrções de recursos é mportante para proetos onde predomna o uso de undades funconas em relação à lógca de controle e às nterconexões. Além de ser demonstradamente um problema ntratável, havendo apenas a possbldade de se encontrar soluções aproxmadas, o problema do escalonamento sob restrções de recursos também é afetado por outros fatores além das própras restrções quanto ao número de undades funconas que podem ser usadas na mplementação do proeto. Por exemplo, um determnado escalonamento pode ser efcente e satsfazer as restrções de recursos, mas pode demandar um número excessvo de regstradores e/ou nterconexões Algortmos baseado em ILP Mutos algortmos de escalonamento se baseam em formulações ILP. Para sto basta que, por exemplo, na formulaçao ILP dada anterormente, as varáves N m, N a, N s e N c, representando o número de undades funconas de cada tpo (naquele exemplo, multplcação, adção, subtração e comparação, respectvamente), seam usadas para se mpor as restrções de recursos. Mas, como fo vsto anterormente, por conta da complexdade dos algortmos usados para encontrar a solução da formulação ILP, tas métodos não podem ser usados em grandes aplcações. Por conta dsto, se faz necessáro o uso de algortmos heurístcos, que adotam estratégas que permtem obter escalonamentos efcentes a uma complexdade que permta se ldar com grandes aplcações. Um destes métodos é o chamado Lst-based scehdulng Algortmo Lst-based O escalonamento Lst-based é, na verdade, uma técnca usada em város outros algortmos de escalonamento. Por exemplo, exste uma versão do algortmo force-drected, chamada escalonamento force-drected lst-based, que usa a técnca do algortmo lst-based para realzar escalonamento sob restrções de recursos. O escalonamento Lst-based é essencalmente uma generalzaçao do algortmo ASAP, sendo que, aplcado sem se mpor restrções de recursos, gera o mesmo escalonamento que sera produzdo se fosse usado o algortmo ASAP. Um algortmo Lst-based mantém uma lsta, classfcada de acordo com uma dada função de prordade, contendo os vértces que estão prontos para serem escalonados. Um vértce pronto para ser escalonado é aquele que tem todos os seus vértces predecessores á escalonados. Durante cada teração do algortmo, as operações com maor prordade na lsta de vértces prontos vão sendo escalonadas até que não se tenha mas undades funconas dsponíves. O escalonamento de operações em cada teração faz com que outros vértces fquem prontos para serem escalonados, assm estes novos vértces são nserdos na lsta de vértces prontos na ordem ndcada pela função de prordade. Os resultados do uso deste algortmo demonstram que o escalonamento produzdo depende muto da função de prordade escolhda. Uma boa função de prordade é a que usa as mobldades das operações: operações com pequena mobldade devem ser
14 escalonadas prmero, pos fazem parte do camnho crítco do DFG e não as escalonando em prmero lugar, va-se certamente estender o escalonamento. A fgura 8 mostra o algortmo de escalonamento Lst-based: LstBased(G(V,E)) { InsereOpersProntas(G(V,E), Lsta r ), Lsta r ),..., Lsta r ) ); Fgura 8: Algortmo Lst-based O algortmo usa uma lsta de prordade Lsta ( r k ) para cada tpo de recurso r k e as operações nestas lstas são escalonadas de acordo com o número dsponível de undades funconas N capaz de realzar cada operação. r k A função InsereOpersProntas() percorre o conunto de vértces, dentfcando as operações que estão prontas, removendo estas do conunto de vértces e nserndo-as nas lstas de prordades de acordo com o tpo de recurso que elas precsam e na ordem ndcada pela função de mobldade. O procedmento EscalonaOper(Escal corrente, o, s ) gera um novo escalonamento onde a operação o fo escalonada no passo de controle s. O procedmento RemoveOper( Lsta ( r k ), o ) retra a operação o da lsta de prordades especfcada. Incalmente, todos os vértces sucessores de v são nserdos na lsta de prordades correspondente ao tpo de operação representada e na ordem estabelecda pela funçao de prordade. O laço whle extraí operações de cada lsta de prordade Lsta ( r k ) e as escalona no passo de controle corrente PassoCtr enquanto houverem recursos dsponíves. Ao escalonar operações no passo de controle corrente, outras operações sucessoras fcam prontas para serem escalonadas e estas serão escalonadas durante as próxmas terações do algortmo. O algortmo tera enquanto houver alguma operação nas lstas de prordades. Para lustrar a execução do algortmo Lst-based, a fgura 9 mostra o DFG do exemplo da fgura com o valor da mobldade da operações anotado nos vértces correspondentes. ( ( 2 ( ntr PassoCtr ; whle (( Lsta ( r ) ) ( Lsta( r2 ) ) K ( Lsta( r ntr ) )) { PassoCtr PassoCtr + ; for (" k k ntr) { // Para cada tpo de recurso for " uf uf ) { // Para cada UF dsponível de um dado tpo ( N r k f ( Lsta ( ) ) { r k EscalonaOper(Escal corrente, Prmero( Lsta r ) ),PassoCtr); ( k RemoveOper( Lsta r ), Prmero( Lsta r ) ); ( k InsereOpersProntas(G(V,E), Lsta r ), Lsta r ),..., Lsta r ) ); ( ( 2 ( k ( ntr
15 Fgura 9: DFG com mobldade das operações Assume-se que as restrções especfcadas lmtam os recursos dsponíves a dos multplcadores, um somador, um subtrator e um comparador. Além dsso, a função de prordade adotada deve escalonar prmero as operações com menor mobldade. Incalmente são cradas uma lsta de prordade para cada tpo de recurso. No exemplo: Lsta( mult),2,6,8 2 Lsta( soma) 2 Lsta(subt) Lsta(comp) Durante a prmera teração, quando se va escalonar as operações no passo de controle s, exstem cnco operações prontas: o, o 2, o 6, o 8 e o. A operação o, que é uma operação de soma, é escalonada no passo s sem se consderar qualquer outro fator. Mas, como exstem apenas dos multplcadores dsponíves, somente duas das quatro multplcações prontas poderão ser escalonadas em s. Assm, o e o 2 são escalonadas por terem menor mobldade do que o 6 e o 8. Depos da prmera teração, as operações o, o2 e o estão escalonadas no passo o. Para a segunda teração, as operações o 3 e o são nserdas na lsta de prordades, pos seus predecessores foram escalonados. Com sso, as lstas de prordades passam a ser: Lsta( mult) 3,6,8 2 Lsta(soma) Lsta(subt) Lsta( comp) 2 Depos de quatro terações, todas as operações foram escalonadas como mostrado na fgura a segur:
16 Fgura : DFG escalonado usando o algortmo Lst-based Como dto anterormente, os resultados do algortmo Lst-based dependem fortemente da função de prordade escolhda. Outra possbldade para a defnção desta função é o uso do tamanho do camnho mas longo a partr do vértce v representando a operação até o vértce v n. Como este camnho mas longo é proporconal ao número de passos de controle adconas necessáros para se termnar o escalonamento, dá-se prordade maor para operações ue tver o referdo camnho o mas longo possível, evtando-se assm que o escalonamento sea desnecessaramente estenddo. Outra alternatva para a função de prordade de uma operação é usar o número de vértces sucessores medatos do vértce representando a operação. Assm, operações com maor número de sucessores medatos devem ser escalonados prmero, pos farão com que mas operações fquem prontas para serem escalonadas. No algortmo de escalonamento sob restrções de recursos force-drected lst-based, a função de prordade é baseada na dstrbução de probabldades das operações, sendo dada maor prordade às operações que levam a uma melhor dstrbução das operações no passos de controle. 4.5 Abordagens Alternatvas Nas seções anterores forão descrtos algortmos báscos para o escalonamento na Síntese de Alto Nível. Nestes algortmos são usadas váras smplfcações, que são tratadas em váras abordagens alternatvas [McF 9] Alternatvas para smplfcações A smplfcação adotada nos algortmos báscos de que todas as operações são realzadas em um passo de controle, pode levar a cclos de relógo longos para poder permtr que a undade mas lenta usada no proeto possa ser executada em um passo de controle (como mostra a fgura -a). Sem esta smplfcação é possível ldar-se com operações mult-cclos (executadas em város cclos de relógo, como a fgura -b), encadeadas (duas operações executadas
17 seralmente em um mesmo passo de controle, como na fgura -c) e ppelnng (duas operações concorrentes do mesmo tpo compartlham uma mesma undade funconal, como mostrado na fgura -d). Todos estes recursos podem ser consderados pelos algortmos de escalonamento básco, bastando para sto algumas alterações no cálculo dos atrasos das operações e dos recursos necessáros [DeM 94]. Fgura : Escalonamento com undades funconas com atraso arbtráro Outra smplfcação adotada pelos algortmos báscos é a de que cada undade funconal é capaz de realzar apenas um tpo de operação. Esta smplfcação deve ser evtada, pos mutas undades funconas são capazes de realzar város tpos de operações a um custo menor do que se usar uma undade funconal separada para cada tpo de operação. Por exemplo, é mas efcente usar um somador/subtrator do que um somador e um subtrator separados. Além dsso, deve ser também possível se fazer a escolha de uma dentre váras possíves mplementações físcas de cada undade funconal a partr de uma bbloteca de componentes. Com sso, por exemplo, operações pertencentes ao camnho crítco do DFG podem ser mplementadas usando-se undades funconas rápdas (e geralmente, com custo maor) e as operações fora do camnho crítco com undades funconas mas lentas (e geralmente, de menor custo), de manera que seam anda satsfetas as restrções de recursos especfcadas e a mplementação para o proeto tenha uma boa performance. Nos algortmos báscos descrtos nas seções anterores, não se lda com descrções comportamentas envolvendo construções condconas (comandos f e case) e de repetção (comandos for e whle). Para ldar com estas construções, faz-se necessáro o uso de um grafo de fluxo de dados e de controle (Control Data Flow Graph CDFG). Além dsso, são necessáras técncas adconas para se ldar com a mútua exclusão que exste entre as operações dos ramos then e else do comando f ou dos város ramos do comando case. Um exemplo de tas técncas é a apresentada em [WAK 89], que estende o algortmo de escalonamento Lst-based usando um vetor de condções para cada vértce do DFG. O vetor de condções assocado a um vértce codfca todas as condções dos desvos que se deve ter para se alcançar a operação representada pelo vértce. Estes vetores de condções e as probabldades dos desvos são usados para defnr a função de probabldade.
18 Também deve ser explorado o potencal paralelsmo que pode exstr entre as operações nas váras terações de laços, o que é feto através de técncas como loop unrollng (que desenrola o laço, reduzndo o número de terações enquanto aumenta o número de operações no corpo do laço e com sso, aumentando a possbldade de paralelsmo) [GOO 89] e loop foldng (onde sucessvas terações do laço são sobrepostas de forma a se formar um ppelne) [GIR 87] Alternatvas para formulações Além dos algortmos báscos descrtos anterormente, váras outras formulações foram desenvolvdas para o problema do escalonamento na Síntese de Alto Nível. Dentre as mutas propostas mas recentemente, tem-se o escalonamento Path-based e o escalonamento baseado em smulated annealng. O escalonamento Path-based [CAM 9] procura mnmzar o número de passos de controle necesáros para se executar as operações que se encontram no camnho crítco do CDFG. Para sto, prmero são extraídos todos os possíves camnhos de execução no CDFG e cada tal camnho é escalonado separadamente. O escalonamento de cada camnho usa uma estratéga que partcona o conunto de operações de acordo com as restrções que todo escalonamento váldo deve satsfazer, bem como com as restrções de tempo ou recurso especfcadas. Usando um algortmo baseado em partconamento clque é produzdo num escalonamento para cada camnho. O mesmo partconamento clque é usado para se produzr o escalonamento fnal a partr dos escalonamentos de cada camnho. No escalonamento baseado em smulated annealng, parte-se de um escalonamento ncal que va sendo melhorado através da movmentação de operações de um passo de controle para outro ou pela troca de posção de duas operações. Para medr o efeto da movmentação é usada uma medda de qualdade, que é defnda em [DEV 89] como uma soma ponderada do número de recursos usados e de passos de controle. A modfcação é aceta para a próxma teração do algortmo se resultar em uma melhora do escalonamento. Se a modfcação não resulta em uma melhora do escalonamento, sua acetação é decdda por meo de uma função randômca da medda de qualdade e de um fator denomnado temperatura do annealng [DEV 89]. 4.6 Consderações Fnas Neste capítulo foram descrtos alguns dos algortmos báscos usados na tarefa de escalonamento durante a Síntese de Alto Nível. Alguns destes algortmos foram usados pelo Autor na mplementação do sstema de síntese SANV, como parte de sua dssertação de mestrado [NAS 92]. Nem de longe este capítulo representa uma abordagem exaustva sobre o assunto. Exstem város outros algortmos relatados na lteratura que não foram abordados e, em se tratando de um tema em que anda muta pesqusa vem sendo feta, váras novas abordagens têm sdo ntroduzdas recentemente, como, por exemplo, o método desenvolvdo em [SAN 98] para se ldar com o escalonamento de construções condconas e explorar o paralelsmo a nível de nstruções.
19 4.7 Bblografa [CAM 9] CAMPOSANO, R. Path-based schedulng for synthess. In: IEEE Transacton on Computer-Aded Desgn of Integrated Crcuts and Systems, v. CAD-, n., p , Jan. 99. [DEV 89] DEVADAS, S. & NEWTON, A. R. Algorthms for allocaton n Data Path Synthess. In: IEEE Transacton on Computer-Aded Desgn of Integrated Crcuts and Systems, v. CAD-8, n. 7, p , Jul [FIS 8] FISHER, J. Trace schedulng: a technque for global mcrocode compacton. In: IEEE on Computers, v. C-3, n. 7, p , Jul. 98. [GAJ 92] GAJSKI, D. D. et al. Hgh-level synthess: Introducton to chp and system desgn. Boston, Kluwer Academc Publshng, 992. [GIR 87] GIRCZYC, E. Loop Wndng A Data Flow Approach to Functonal Ppelnng. In: Proceedngs of the Internatonal Symposum on Crcuts and Systems, p , 987. [GOO 89] GOOSENS, G.; VANDEWALLE, J.; De MAN, H. Loop Optmzaton n Regster-Transfer Level Schedulng for DSP Systems. In: Proceedngs of the Desgn Automaton Conference, p , 989. [DeM 94] De MICHELI, G. Synthess and optmzaton of dgtal crcuts. New York, McGraw Hll, 994. [LEE 89] LEE, J.; HSU, Y.; LIN, Y. A New Integer Lnear Programmng Formulaton for the Schedulng Problem n Data-Path Synthess. In: Proceedngs of the Internatonal Conference on Computer-Aded Desg, p.2-23, 989. [McF 9] MCFARLAND et al. The Hgh-Level Synthess of Dgtal Systems, Proceedngs of the IEEE, v.78, n.2, p.3-38, 99. [NAS 92] NASCIMENTO, F. A. M. Síntese de Alto Nível a partr de VHDL Comportamental, Porto Alegre, CPGCC/UFRGS, Dssertação de Mestrado, 992. [PAP 98] PAPADIMITROU, C. H. & STEIGLITZ, K. Combnatoral optmzaton: Algorthms and complexty. New York, Dover Publcaton, 998. [PAU 89] PAULIN, P. & KNIGHT, J. Force-drected schedulng for the behavoral synthess of ASIC s. In: IEEE Transacton on Computer-Aded Desgn, v. CAD-8, n. 6, p , Jul [THO 9] THOMAS, D. E. et al. Algorthmc and regster-transfer level synthess: the system archtect s workbench. Boston, Kluwer Academc Publshng, 99.
20 [SAN 98] SANTOS, L. C. V. Explotng nstructon-level parallelsm: a constructve approach, Endhoven Unversty of Technology, PhD. Thess, 998. [TSE 86] TSENG, C & SIEWIOREK, D. Automated synthess of data paths n dgtal systems. In: IEEE Transacton on Computer-Aded Desgn, v. CAD-5, n. 6, p , Jul [WAK 89] WAKABAYASHI, K. & YOSHIMURA, T. A Resource Sharng and Control Synthess Method for Condtonal Branches. In: Proceedngs of the Internatonal Conference on Computer-Aded Desg, p.62-65, 989.
3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisÍndice. Exemplo de minimização de estados mais complexo. estados
Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações
Leia maisSÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.
I 1. Demonstre que o crcuto da Fg. 1 é um half-adder (semsomador), em que A e B são os bts que se pretendem somar, S é o bt soma e C out é o bt de transporte (carry out). Fg. 1 2. (Taub_5.4-1) O full-adder
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 Introdução à Cênca da Computação II Prof. Dego Raphael Amanco Baseado no materal dos Profs. Rudne Goularte e Thago A. S. Pardo O Problema da Ordenação Ordenação (ou classfcação)
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisCaderno de Fórmulas em Implementação. SWAP Alterações na curva Libor
Caderno de Fórmulas em Implementação SWAP Alterações na curva Lbor Atualzado em: 15/12/217 Comuncado: 12/217 DN Homologação: - Versão: Mar/218 Índce 1 Atualzações... 2 2 Caderno de Fórmulas - SWAP... 3
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia mais3 Definição automática de carregamento ótimo
3 Defnção automátca de carregamento ótmo A formulação ncal mostrada neste capítulo fo feta por Sérgo Álvares Maffra[11] e parte da mplementação fo feta por Anderson Perera, tendo sofrdo algumas modfcações
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisSeqüenciação de N ordens de produção em uma máquina com tempo de preparação dependente da seqüência uma aplicação de busca tabu
XXVI ENEGEP - Fortaleza, CE, Brasl, 9 a 11 de Outubro de 2006 Seqüencação de N ordens de produção em uma máquna com tempo de preparação dependente da seqüênca uma aplcação de busca tabu Renato de Olvera
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisEscalonamento Baseado em Prioridades Fixas
Sstemas de Tempo Real: Escalonamento Baseado em Prordades Fxas Rômulo Slva de Olvera Departamento de Automação e Sstemas - DAS UFSC romulo@das.ufsc.br http://.das.ufsc.br/~romulo 1 Escalonamento Baseado
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisExercícios de CPM e PERT Enunciados
Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia maisJogos. Jogos. Jogo. Jogo. Óptimo alvo investigação
Jogos Óptmo alvo nvestgação O seu estado é fácl de representar; As acções são bem defndas e o seu número lmtado; A presença de oponentes ntroduz ncerteza tornando o problema de decsão mas complcado. Estamos
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia mais6 ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA)
ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA 7 6 ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA As desvantagens do método BM apresentadas no capítulo 5 sugerem que a alocação dos benefícos seja feta proporconalmente ao prejuízo causado
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisProblemas de engenharia
Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais8 Soluções Não Ideais
8 Soluções Não Ideas 8.1 Convenções para o coefcente de atvdade na escala de frações molares Para a solução deal temos ln x onde é função apenas da pressão e temperatura. Fo anterormente mostrado que todas
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisEm muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.
.4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisAlocação sequencial - filas
Alocação sequencal - las Flas A estrutura de dados Fla também é bastante ntutva. A analoga é com uma la de pessoas aguardando para serem atenddas no guchê de um banco, ou aguardando o ônbus. Se houver
Leia maisAlgoritmos de Codificação Simétricos
Algortmos de Codfcação Smétrcos Hugo Valente e Ivo Navega SSI TPC. A rede de estel consste numa cfra de bloco com uma estrutura específca, a qual permte trar vantagem do facto de puder ser usada quer para
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
Leia mais3 Algoritmo de Busca Tabu
3 Algortmo de Busca Tabu 3.1 Introdução A forma básca do algortmo de Busca Tabu está fundamentada nas déas propostas em [Glover Laguna, 1997] e é baseado em procedmentos heurístcos que permtem explorar
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisRedes de Petri. Definições:
Redes de Petr Defnções: Uma Rede de Petr (PN) é m grafo dreto bpartdo o qal tem dos tpos de nós denomnados lgares (qe representam estados) e transções (qe representam eventos). O estado é alterado pelo
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia maisUM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO
Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisGuia 11 Escalonamento de Mensagens
Até esta altura, temos abordado prncpalmente questões relaconadas com escalonamento de tarefas a serem executadas num únco processador. No entanto, é necessáro consderar o caso de sstemas tempo-real dstrbuídos,
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia mais18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas
01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisUMA GENERALIZAÇÃO DE GRAFOS CAMINHO E LEQUE: O ESTUDO DA SUBCOLORAÇÃO
UMA GENERALIZAÇÃO DE GRAFOS CAMINHO E LEQUE: O ESTUDO DA SUBCOLORAÇÃO Llan Markenzon Núcleo de Computação Eletrônca Unversdade Federal do Ro de Janero markenzon@nce.ufrj.br Chrstna F. E. M. Waga Insttuto
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia mais3.2. Solução livre de ciclos e solução como uma árvore geradora
Smplex Para Redes.. Noções Incas O algortmo Smplex para Redes pode ser entenddo como uma especalzação do método Smplex para aplcação em problemas de programação lnear do tpo fluxo de custo mínmo. O Smplex
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisModelação com Variáveis Discretas
Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia maisSistemas de Tempo-Real
Aula 7 Acesso exclusvo a rescursos partlhados O acesso exclusvo a recursos partlhados A nversão de prordades como consequênca do bloqueo Técncas báscas para acesso exclusvo a recursos partlhados Herança
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisEstudos de Problemas de Dimensionamento de Lotes Monoestágio com Restrição de Capacidade. Orientador: Prof. Dr. Marcos Nereu Arenales
Estudos de Problemas de Dmensonamento de Lotes Monoestágo com Restrção de Capacdade Slvo Alexandre de Araujo Orentador: Prof. Dr. Marcos Nereu Arenales Dssertação apresentada ao Insttuto de Cêncas Matemátcas
Leia mais