随着半导体集成电路的发展,单一芯片上可集成的处理核数逐渐增多,传统的总线结构成为限制芯片尺寸、速度、功耗、通信需求等发展的瓶颈。片上网络（Network on Chip,NoC）作为一种全新方案,将互联网思想移植到片上系统（System on Chip,So C）中,通过将通信和计算两部分分离,很好地解决了总线架构存在的问题。同时,随着无线通信技术的飞速发展,其系统内部计算量和复杂度越来越高,大规模的并行计算成为发展趋势。由于片上网络具有功耗低、扩展性好、传输可靠等优点,因此,基于片上网络的多核并行处理平台能够在最小化功耗、面积的情况下,为无线通信计算提供强大的支撑。本文从NoC基础理论出发,重点对NoC设计中的关键技术之一的映射问题进行研究。NoC的映射问题是一个非确定性多项式（Non-Deterministic Polynomial,NP）难问题,其解搜索空间过大,只能通过启发类搜索算法求得近似解;同时,本文针对功耗和延时双目标的求解又属于多目标规划问题,这类问题的各个目标通常相互制约,因而难以取得在各个设计目标上的最优值。因此,本文围绕面向无线通信的NoC映射技术,针对其中的任务划分和映射求解的优化开展了如下几项研究工作:（1）分析了无线通信算法中的典型特征和相关算例,即奇异值分解（Singular Value Decomposition,SVD）算法和最小均方误差干扰抑制合并（Minimum Mean Squared Error-Interference Rejection Combining,MMSE-IRC）算法,设计基于2DMesh拓扑结构的NoC,将无线通信算例的计算过程具象化为有向无环的任务流图,其中,任务流图的节点和边分别代表了算例的运算指令和数据流向。（2）针对无线通信算法的任务流图,建立NoC映射能耗与延时计算模型,并提出相应的评价函数和约束条件。由于任务流图节点的数量过于庞大,使得映射后的解搜索空间过大,计算复杂度高。因此,本文提出基于最小化全局边权值和的任务流图划分技术,将任务流图中的部分节点进行合并,缩小任务流图的规模。仿真结果证明,该策略能够降低后续映射复杂度。在选取的SVD算例中,划分后的图映射结果在功耗降低了33.23%,在延时上降低了20.18%;在MMSE-IRC算例中,划分后的图映射结果在功耗上降低了9.33%,在延时上降低了18.76%。（3）为了进一步增强解空间的搜索能力,在传统的启发式算法基础上,提出基于生成式对抗网络（Generative Adversarial Networks,GAN）的改进算法。作为近年来被广泛应用在数据增强、生成领域的无监督学习技术,GAN由生成器网络和鉴别器网络组成,借鉴博弈论的思想,利用真实样本和随机样本对两者进行训练,最终达到两者平衡。本文将生成式对抗网络应用在多目标映射优化问题中,仿真结果证明,GAN训练后产生的解在分布性和收敛性方面表现更好,且训练后产生的最优解相比样本解而言,更加逼近真实最优解。数据表明,在MMSE-IRC算例中,GAN取得的最优解在功耗上降低了24.49%,延时上减少了10.89%;在SVD算例中,GAN取得的最优解在功耗上降低了17.54%,延时减少了8.77%。本文所提出的算法,不仅在性能上有所突破,其完整的算法流程和通用的映射及优化模型,也对未来无线通信和NoC映射领域相关技术的具体实现、优化等多方面形成一定的参考价值。