基于机器学习的多面体模型下的循环置换

针对现有多面体编译器默认调度性能欠佳的问题,提出了一种在给定问题规模下为循环程序预测最佳置换的方法。扩展Pluto以支持循环置换功能,构建决策树模型以在问题规模变化较大时预测最佳置换,构建回归模型以在问题规模相对集中时预测并行环境下的最佳置换,同时构建统一模型和泛化模型以提高方法的实用性。实验结果表明,决策树模型在并行环境下相较于Pluto取得了最大3.99倍和几何平均2.25倍的加速比,在并行和串行环境下分别达到了Oracle的92%和99%;回归模型的性能达到了Oracle的97%。