文章目录
前言
背景介绍
初始算法
优化算法
分析和应用
总结
前言
见《【研发日记】Matlab/Simulink软件优化(一)——动态内存负荷压缩》
见《【研发日记】Matlab/Simulink软件优化(二)——通信负载柔性均衡算法》
背景介绍
在一个嵌入式软件开发项目中,需要开发一个数据处理算法,功能是求解一个动态变化数组的平均值、极值和极值位号,并且具备动态剔除个别元素(元素序列不变)的功能。示例如下:
数组:2、4、6、8、10
剔除:第1个元素、第3个元素
求均值:(4 + 8 + 10)/ 3 = 7.3
求最小值:4
求最小值位号:2
求最大值:10
求最大值位号:5
初始算法
一开始算法开发的思路非常简单,就是根据上述示例把求解过程拆分成两步,第一步构建剔除特定元素后的新数组,第二步分别求解统计结果,示例如下:
以上模型生成的代码如下:
#include "untitled.h"
#include "untitled_private.h"
/* External outputs (root outports fed by signals with default storage) */
ExtY_untitled_T untitled_Y;
/* Real-time model */
static RT_MODEL_untitled_T untitled_M_;
RT_MODEL_untitled_T *const untitled_M = &untitled_M_;
/* Model step function */
void untitled_step(void)
{
real_T Array_min[5];
real_T ArrayIndex;
int32_T b_idx;
int32_T b_k;
int32_T e_k;
int32_T i;
/* MATLAB Function: '<Root>/MATLAB Function' incorporates:
* Constant: '<Root>/Constant'
*/
for (i = 0; i < 5; i++) {
Array_min[i] = untitled_ConstP.Constant_Value[i];
}
Array_min[0] = 255.0;
Array_min[2] = 255.0;
untitled_Y.Out2 = 255.0;
b_idx = 1;
for (b_k = 1; b_k + 1 < 6; b_k++) {
if (untitled_Y.Out2 > Array_min[b_k]) {
untitled_Y.Out2 = Array_min[b_k];
b_idx = b_k + 1;
}
}
for (i = 0; i < 5; i++) {
Array_min[i] = untitled_ConstP.Constant_Value[i];
}
Array_min[0] = 0.0;
Array_min[2] = 0.0;
untitled_Y.Out4 = 0.0;
b_k = 1;
for (i = 1; i + 1 < 6; i++) {
if (untitled_Y.Out4 < Array_min[i]) {
untitled_Y.Out4 = Array_min[i];
b_k = i + 1;
}
}
for (i = 0; i < 5; i++) {
Array_min[i] = 0.0;
}
ArrayIndex = 0.0;
for (i = 0; i < 5; i++) {
if ((i + 1 != 1) && (i + 1 != 3)) {
ArrayIndex++;
Array_min[(int32_T)ArrayIndex - 1] = untitled_ConstP.Constant_Value[i];
}
}
if (1.0 > ArrayIndex) {
i = -1;
} else {
i = (int32_T)ArrayIndex - 1;
}
if ((int8_T)(i + 1) == 0) {
ArrayIndex = 0.0;
} else if ((int8_T)(i + 1) == 0) {
ArrayIndex = 0.0;
} else {
ArrayIndex = Array_min[0];
for (e_k = 2; e_k <= (int8_T)(i + 1); e_k++) {
ArrayIndex += Array_min[e_k - 1];
}
}
/* Outport: '<Root>/Out1' incorporates:
* MATLAB Function: '<Root>/MATLAB Function'
*/
untitled_Y.Out1 = ArrayIndex / (real_T)(int8_T)(i + 1);
/* Outport: '<Root>/Out3' incorporates:
* MATLAB Function: '<Root>/MATLAB Function'
*/
untitled_Y.Out3 = b_idx;
/* Outport: '<Root>/Out5' incorporates:
* MATLAB Function: '<Root>/MATLAB Function'
*/
untitled_Y.Out5 = b_k;
}
/* Model initialize function */
void untitled_initialize(void)
{
/* (no initialization code required) */
}
/* Model terminate function */
void untitled_terminate(void)
{
/* (no terminate code required) */
}
上述代码仿真运行没有什么问题,从结果来看是符合功能需求的,示例如下:
分析上述代码会发现构建新数组时存在一些问题。如果数组中出现大于255的值,或者小于0的负数时,算法就需要重新匹配。如果数组的Size大于5,或者剔除的个数大于2,算法也需要重新匹配。这种繁复的工作,是我们不希望看到的。
优化算法
针对上述问题的分析和研究,发现Matlab官方提供了一个现成的函数功能,可用于剔除特定元素的数据统计算法,能让我们简化构建新数组的工作,也就免去了繁复匹配算法的问题,示例如下:
Tips:因为有NaN的存在,数组的数据类型如果不是double型可能会出问题。例如NaN赋给uint8型的数组是,对应元素就会变成0,再后续的求解函数中是按0对待的。
以上模型生成的代码如下:
#include "untitled.h"
#include "untitled_private.h"
/* External outputs (root outports fed by signals with default storage) */
ExtY_untitled_T untitled_Y;
/* Real-time model */
static RT_MODEL_untitled_T untitled_M_;
RT_MODEL_untitled_T *const untitled_M = &untitled_M_;
/* Model step function */
void untitled_step(void)
{
real_T data[5];
real_T y;
int32_T c_k;
int32_T i;
int32_T k;
boolean_T exitg1;
/* MATLAB Function: '<Root>/MATLAB Function' incorporates:
* Constant: '<Root>/Constant'
*/
for (i = 0; i < 5; i++) {
data[i] = untitled_ConstP.Constant_Value[i];
}
data[0] = (rtNaN);
data[2] = (rtNaN);
i = 0;
k = 2;
exitg1 = false;
while ((!exitg1) && (k < 6)) {
if (!rtIsNaN(data[k - 1])) {
i = k;
exitg1 = true;
} else {
k++;
}
}
if (i == 0) {
/* Outport: '<Root>/Out2' */
untitled_Y.Out2 = (rtNaN);
i = 1;
} else {
untitled_Y.Out2 = data[i - 1];
for (k = i; k < 5; k++) {
if (untitled_Y.Out2 > data[k]) {
untitled_Y.Out2 = data[k];
i = k + 1;
}
}
}
k = 0;
c_k = 2;
exitg1 = false;
while ((!exitg1) && (c_k < 6)) {
if (!rtIsNaN(data[c_k - 1])) {
k = c_k;
exitg1 = true;
} else {
c_k++;
}
}
if (k == 0) {
/* Outport: '<Root>/Out4' */
untitled_Y.Out4 = (rtNaN);
k = 1;
} else {
untitled_Y.Out4 = data[k - 1];
for (c_k = k; c_k < 5; c_k++) {
if (untitled_Y.Out4 < data[c_k]) {
untitled_Y.Out4 = data[c_k];
k = c_k + 1;
}
}
}
y = 0.0;
c_k = 0;
if (!rtIsNaN(data[1])) {
y = data[1];
c_k = 1;
}
if (!rtIsNaN(data[3])) {
y += data[3];
c_k++;
}
if (!rtIsNaN(data[4])) {
y += data[4];
c_k++;
}
/* Outport: '<Root>/Out1' incorporates:
* MATLAB Function: '<Root>/MATLAB Function'
*/
untitled_Y.Out1 = y / (real_T)c_k;
/* Outport: '<Root>/Out3' incorporates:
* MATLAB Function: '<Root>/MATLAB Function'
*/
untitled_Y.Out3 = i;
/* Outport: '<Root>/Out5' incorporates:
* MATLAB Function: '<Root>/MATLAB Function'
*/
untitled_Y.Out5 = k;
}
/* Model initialize function */
void untitled_initialize(void)
{
/* Registration code */
/* initialize non-finites */
rt_InitInfAndNaN(sizeof(real_T));
}
/* Model terminate function */
void untitled_terminate(void)
{
/* (no terminate code required) */
}
Tips:从生成的C代码来看,底层逻辑的实现方法与前一种是类似的
上述代码仿真运行也没有问题,结果符合需求,示例如下:
分析上述算法的特点,不仅实现了项目中的需求,同时也利用NaNFlag为数据处理算法进行了降阶。
分析和应用
利用NaNFlag开发数据处理算法时,需要注意如下几点:
1、两种算法生成的代码,底层逻辑都一样,但是是开发复杂度和软件成熟度上差别好多,前者更适合用于逻辑探索和思维训练,后者跟适合于工程应用。
2、两种算法的开发自由度不同,可裁剪和压缩负载的空间也不同。前者可以根据实际应用裁剪出自己需要的数组大小,选取自己够用的数据类型,能更极致压缩算法对内存资源和算力资源的消耗。后者是把一部分算法设计工作交给代码生成工具去做了,开发者就没有这么大的灵活度了。前者更适用于处理器资源有限的专用嵌入式项目,后者更实用于模块化平台化开发的项目。
总结
以上就是本人在嵌入式软件开发中设计数据处理算法时,一些个人理解和分析的总结,首先介绍了它的背景情况,然后展示它的初始设计和优化设计,最后分析了利用NaNFlag开发数据处理算法的注意事项和应用场景。
后续还会分享另外几个最近总结的软件优化知识点,欢迎评论区留言、点赞、收藏和关注,这些鼓励和支持都将成文本人持续分享的动力。
另外,上述例程使用的Demo工程,可以到笔者的主页查找和下载。
版权声明:原创文章,转载和引用请注明出处和链接,侵权必究!