监督学习模型指导的函数级编译优化参数选择方法研究

• 作者: 刘慧 王琦 赵荣彩
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 关键词: 编译优化参数 监督学习 空间搜索优化 特征抽取
• 年，卷（期）: 2018,（6）
• 所属期刊栏目: 高性能计算
• 页码范围: 957-968
• 页数: 12页
• 分类号: TP391.9
• 字数: 10485字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2018.06.001

摘要

基于机器学习的迭代编译方法可以在对新程序进行迭代编译时,有效预测新程序的最佳优化参数组合.现有方法在模型训练过程中存在优化参数组合搜索效率较低、程序特征表示不恰当、预测精度不高的问题.因此,基于机器学习的迭代编译方法是当前迭代编译领域内的一个研究热点,其研究挑战在于学习算法选择、优化参数搜索以及程序特征表示等问题.基于监督学习技术,提出了一种程序优化参数预测方法.该方法首先通过约束多目标粒子群算法对优化参数空间进行搜索,找到样本函数的最佳优化参数;然后,通过动静结合的程序特征表示技术,对函数特征进行抽取;最后,通过由函数特征和优化参数形成的样本构建监督学习模型,对新程序的优化参数进行预测.分别采用k近邻法和softmax回归建立统计模型,实验结果表明,新方法在NPB测试集和大型科学计算程序上实现了较好的预测性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵荣彩	解放军信息工程大学数学工程与先进计算国家重点实验室	101	374	9.0	14.0
2	刘慧	解放军信息工程大学数学工程与先进计算国家重点实验室	18	35	4.0	5.0
6	王琦	解放军信息工程大学数学工程与先进计算国家重点实验室	1	1	1.0	1.0