بهینه سازی مصرف انرژی در چند پردازنده ها با تکنیک Power Gating و الگوریتم Q-Learning

در این مقاله، رویکردی هوشمند و تطبیقی برای کاهش مصرف انرژی در پردازنده های چند هسته ای ارائه شده است. روش پیشنهادی با ترکیب تکنیک سخت افزاری Power Gating و الگوریتم یادگیری تقویتی Q-Learning تلاش می کند تا با قطع موقت تغذیه بخش های غیر فعال پردازنده از نشت جریان جلوگیری کرده و همزمان با تحلیل بلادرنگ شرایط بارکاری تصمیم های بهینه ای برای مدیریت توان اتخاذ کند. این چارچوب باعث می شود پردازنده ها به صورت پویا با تغییرات بارکاری سازگار شوند و بدون افت محسوس عملکرد، بهره وری انرژی سیستم را افزایش دهند. نتایج شبیه سازی ها نشان دادند که الگوریتم پیشنهادی توانسته است مصرف انرژی را تا ۳۰.۵٪ کاهش دهد؛ در حالی که روش های سنتی صرفه جویی محدودی در حدود ۳ تا ۸ درصد ارائه می کردند. همچنین الگوریتم Q-Learning با تحلیل بلادرنگ وضعیت پردازنده استراتژی های بهینه ای را برای مدیریت توان اتخاذ کرده و بهبود قابل توجهی در بهره وری انرژی سیستم ایجاد می کند. این روش نه تنها قادر به تطبیق با بارکاری های متغیر است بلکه تعمیم پذیری بالایی به انواع زیرساخت های پردازشی از جمله مراکز داده و سامانه های نهفته دارد و گامی موثر در توسعه معماری های سبز هوشمند و پایدار محسوب می شود.

کلیدواژه ها:

بهینه سازی مصرف انرژی ، خاموش سازی توان ، الگوریتم Q-Learning ، پردازنده های چند هسته ای ، یادگیری تقویتی ، مدیریت توان تطبیقی