Reconfigurable computing systems (RCS) use the flexibility of programmable devices and the speed of hardware to implement high performance systems. Implementation of RCS is normally made by means of programmable devices, such as FPGAs. On the other hand, recently, cellular learning automata (CLA) have been proposed as a combination of conventional cellular automaton and learning automaton. Software simulation of CLA has shown it to be successful for solving some hard problems. However, the process on conventional computers is slow. To overcome this problem, we implemented CLA in hardware. In addition, for some applications which necessitate run time changes for parameters, the ability of run-time reconfiguration (RTR) in hardware is a solution. In this paper, the design and implementation of CLA on a reconfigurable system are presented. Experimental results show considerable speedup gain of RCS version over the software version. Independence on CLA dimensions is another benefit of reconfigurable hardware implementation of CLA. In other words, by increasing the dimensions of CLA, the time needed for running reconfigurable CLA implemented on hardware remains constant

سیستم های محاسبات قابل تنظیم مجدد (RCS) از انعطاف پذیری دستگاه های قابل برنامه نویسی و سرعت سخت افزار استفاده می کنند تا سیستم هایی با کارآیی بالا پیاده سازی نمایند. پیاده سازی RCS معمولا از طریق دستگاه های قابل برنامه نویسی از جمله FPGAها امکان پذیر می شود. ازطرف دیگر، اخیرا اتوماتای یادگیری سلولی (CLA) به عنوان ترکیبی از اتوماتا سلولی قدیمی و اتوماتای یادگیری پیشنهاد شده است. نشان داده شده است که شبیه سازی نرم افزاری CLA در حل برخی مسائل دشوار موفق می باشد. با این وجود، این فرآیند در کامپیوترهای قدیمی کند است. برای غلبه براین مسئله، CLA را در سخت افزار پیاده سازی کردیم. به علاوه برای برخی کاربردها که نیاز به تغییرات در زمان اجرای پارامترها دارند، قابلیت تنظیم مجدد در زمان اجرا (RTR) یک راه حل می باشد. در این مقاله طراحی و پیاده سازی CLA در یک سیستم قابل تنظیم مجدد ارائه شده است. نتایج آزمایشات بهره سرعت قابل توجه نسخه RCS را نسبت به نسخه نرم افزاری نشان می دهد. استقلال از ابعاد CLA نیز مزیت دیگری از پیاده سازی سخت افزاری قابل تنظیم CLA می باشد. به بیان دیگر، از طریق افزایش ابعاد CLA، زمان لازم برای اجرای CLA پیاده سازی شده روی سخت افزار ثابت باقی می ماند. 

1-مقدمه

اتوماتای سلولی (CA) به عنوان مدلی برای تحلیل رفتار سیستم های پیچیده معرفی شد [1، 13، 14]. CA شامل مجموعه منظمی از سلولهاست که هریک مقادیر مختلفی دارند. از طرف دیگر، اتوماتای یادگیری در اوایل 1960 معرفی شده و می تواند اقدامات خود را در محیطی تصادفی به روزرسانی کند تا کارآیی خود را افزایش دهد. هرLA از یک الگوریتم یادگیری استفاده کرده و بهترین نحو رابطه با محیط را یاد می گیرد. مدل اتوماتای یادگیری سلولی (CLA) به عنوان ترکیبی از اتوماتاهای یادگیری و سلولی پیشنهاد شده است. CLA شامل تعدادی سلول است. در هرسلول، یک اتوماتای یادگیری داخلی وضعیت یا اقدام سلول را تعیین می کند. CLA در کاربردهایی از جمله پردازش تصویر و مدلسازی شبکه تجاری مورد استفاده قرار گرفته است [4، 8، 9]…