行为级时域划分算法对比：层划分优化延迟，多目标算法平衡指标

动态可重构系统的时域划分及其行为级算法的定量分析是一项关键的议题，它涉及到计算机系统设计中的重要环节。近二十年来，随着可重构计算的发展，时域划分算法的研究取得了显著进步，主要分为网表级和行为级两大类别。网表级算法如基于网络流的方法，旨在优化电路的物理布局，减少面积、割网数量，同时追求较低的延迟和通信成本。这种方法通过优化电路结构，实现高效能和低成本。 行为级时域划分算法则更侧重于处理系统的行为层面，例如层划分、簇划分、增强静态列表调度以及多目标时域划分。这些算法关注的是如何将系统功能模块划分到不同的执行阶段，以最小化模块间的交互和延迟。层划分倾向于减小所有模块的执行总延迟，而簇划分算法在保持模块间连接数量相对较少的同时进行划分。增强静态列表调度和多目标时域划分算法在模块数、跨模块边数和执行延迟这三个关键性能指标上寻求平衡。 实验结果显示，层划分算法在执行总延迟方面表现出色，而簇划分算法在减少跨模块边数上效果显著。然而，这些算法均未充分考虑划分后模块的形状和跨层映射的额外成本，这是未来研究的一个重要空白。在评估时，研究者采用了包括模块数、输入/输出边数以及所有模块执行总延迟在内的综合评价指标体系，以全面了解算法的效果。 可重构计算领域的重要应用包括小型和微型计算机系统，以及控制/数据流图的处理。研究者们利用这些工具来探索不同粒度的时域划分，同时也为测试基准提供了有价值的参考。本文的主要贡献在于对当前行为级时域划分算法进行了深入的定量分析，并指出了现有算法的局限性，为后续的优化和改进提供了理论依据。 关键词：可重构计算、控制/数据流图、粒度、时域划分、测试基准。这项工作对于提高可重构系统的效率、灵活性和可维护性具有重要意义，对计算机系统设计领域的工程师和技术人员来说，理解和掌握这些算法是提升系统性能的关键。