根据概率估计算法的不同，EDAs 分为一阶EDAs 和高阶EDAs 两大类，其中，二阶EDAs 中的建立在一般结构Gauss 网络上的分布估计算法（GN-EDA ）采用一种不使用条件概率密度函数来产生样本的方法，无需进行Gauss 网络结构的学习，大大减少了计算量，而且可以获得高精度的联合密度函数[5]。

　　GN- EDA 的算法步骤为：

4 仿真试验

　　算法采用C++ 在m IntelP41.6GHz 256MRam 环境下实现，CDFG 的结点数、时间约束、每个节点的信息、结点之间的连接关系都是随机生成的。首先，随机生成了 30、60、100 、200 个节点的 CDFG，并随机生成了各个节点的性能参数，同时根据对节点的性能参数的分析，确定了系统的约束条件以及这些约束条件各自的权重。CDFG 硬件执行时间为软件执行时间的20%~50%，硬件代价约束取值为总硬件代价之和的50% 。对每个 CDFG 都进行 100 次的测试，并将最终求出的最优解的代价函数值的平均值同遗传算法求出的值进行了比较，实验数据如表 1 所示。

 　　表 1 为60 节点系统随机运行10 次的统计结果。从表中数据可以看出，与遗传算法相比，本文提出的GN-EDA 算法在算法的执行速度和搜索目标函数最优值方面都有很大的优势。对于各节点数系统，尤其是对于较多节点数系统，GN-EDA 算法有更为优化的结果，且划分结果较为稳定。

图2 系统性能收敛曲线

　　图 2 为 60 节点系统随机运行30 次，划分过程中平均每代最佳有效个体对应的系统性能，从图中可以看出GN-EDA 算法有很好的收敛性。

　　5 结论

　　本文作者创新点：运用一种建立在一般结构Gauss 网络上的分布估计算法对嵌入式系统软硬件划分问题进行了研究，该算法无需进行Gauss 网络结构的学习，大大减少了计算量，适用于处理日趋复杂的嵌入式系统软硬件划分问题。实验结果表明，GN-EDA 算法能有效地完成软硬件划分，并具有较好的计算稳定性。