一种动态电源管理预测算法的设计及仿真

针对基于马尔可夫模型的预测式动态电源管理算法(DPMPA)对大型样本数据预测精度低的问题,提出了一种具备自反馈功能的内嵌式马尔可夫模型(RMM)的DPMPA。该算法基于分层迭代思想,对满足马尔可夫性质的大型数据进行聚类,再使用马尔可夫算法对构建出的迭代数据模型:上层抽象数据模型和底层实例数据模型进行训练。引入反馈函数φ(i),控制转换概率矩阵更新频率,保证预测精度范围。依此,编制了自反馈内嵌式马尔可夫模型DPMPA的Matlab程序。应用该程序对无线热点访问次数进行仿真预测,得出不同训练样本数对后期样本的预测精度的影响,对比马尔可夫算法和自适应学习树(ALT)算法预测结果表明,基于该自反馈RMM预测式动态电源管理算法对于大型样本数据预测精度比前者高5%,后者高10%。预测精确度的提高,将更有利于马尔可夫算法的DPM系统功耗控制。