بهینه‌سازی مصرف انرژی در چندپردازنده‌ها با تکنیک power gating و الگوریتم q-learning

در این مقاله، رویکردی هوشمند و تطبیقی برای کاهش مصرف انرژی در پردازنده‌های چند‌هسته‌ای ارائه شده‌است. روش پیشنهادی با ترکیب تکنیک سخت‌افزاری power gating و الگوریتم یادگیری تقویتی q-learning تلاش می‌کند تا با قطع موقت تغذیه بخش‌های غیرفعال پردازنده، از نشت جریان جلوگیری کرده و همزمان با تحلیل بلادرنگ شرایط بارکاری، تصمیم‌های بهینه‌ای برای مدیریت توان اتخاذ کند. این چارچوب باعث می‌شود پردازنده‌ها به‌صورت پویا با تغییرات بارکاری سازگار شوند و بدون افت محسوس عملکرد، بهره‌وری انرژی سیستم را افزایش دهند. نتایج شبیه‌سازی‌ها نشان دادند که الگوریتم پیشنهادی توانسته است مصرف انرژی را تا 93.05٪ کاهش دهد؛ در حالی که روش‌های سنتی صرفه‌جویی محدودی در حدود 3٪ تا 8٪ ارائه می‌کردند. همچنین، الگوریتم q-learning با تحلیل بلادرنگ وضعیت پردازنده، استراتژی‌های بهینه‌ای را برای مدیریت توان اتخاذ کرده و بهبود قابل توجهی در بهره‌وری انرژی سیستم ایجاد می‌کند. این روش نه تنها قادر به تطبیق با بارکاری‌های متغیر است، بلکه تعمیم‌پذیری بالایی به انواع زیرساخت‌های پردازشی، از جمله مراکز داده و سامانه‌های نهفته دارد، و گامی موثر در توسعه معماری‌های سبز، هوشمند و پایدار محسوب می‌شود.

energy consumption optimization in multiprocessors using power gating technique and q-learning algorithm

in this paper, an intelligent and adaptive approach is proposed to reduce energy consumption in multi-core processors. the proposed method combines the hardware technique of power gating with the reinforcement learning algorithm q-learning. by temporarily shutting off the power supply to inactive parts of the processor, it prevents leakage current, while simultaneously analyzing workload conditions in real time to make optimal power management decisions. this framework enables processors to dynamically adapt to workload variations and improve system energy efficiency without noticeable performance degradation. simulation results demonstrated that the proposed algorithm reduced energy consumption by up to 93.05%, whereas traditional methods only achieved limited savings of about 3% to 8%. moreover, q-learning analyzes processor states in real time, derives optimal power management strategies, and significantly enhances system energy efficiency. this method is not only capable of adapting to variable workloads but also shows high generalizability to diverse computing infrastructures, including data centers and embedded systems, making it an effective step toward developing .green, intelligent, and sustainable architectures