由于多媒体处理、机器学习等应用程序对误差具有容忍性,运行它们的处理器或片上网络能够通过减少计算代价（如降低精度或丢弃数据包等）来提高性能或降低能耗,这种新兴的计算范式被称为近似计算。在设计近似计算方法时,由于应用程序的输出结果质量会影响用户体验,因此如何在质量要求和功率的约束下最优化系统性能,是众核系统近似计算中的关键问题。但现有的众核系统近似研究存在以下问题:它们大多只对某一个组件（处理器、片上网络、加法器、乘法器等）进行近似计算,如近似片上网络对通信数据包进行有损压缩以减少网络负载,应用程序减少循环的迭代次数以减少计算工作量。由于众核系统的优化问题具有多个决策变量,搜索空间大,单一的控制变量可能导致无法搜索到最优解。因此,本文对多个控制变量的近似众核系统展开研究。本文首先定义了一个众核系统的性能优化问题,即在误差和功率约束下最小化应用程序的执行时间。为了解决这一问题,本文构建了应用程序的误差模型、性能模型和功率模型,提出了一个基于内点算法（interior point algorithm）的优化方法,并按照该方法求得的解来执行应用程序。由于该优化过程在程序运行前完成,因此称之为静态优化方法。在实验评估环节中,与近期文献中的循环截断（loop truncation）方法、ABDTR方法、MMBS方法相比,所提出的方法可减少33.1%的程序执行时间和36.6%的能耗。然而上述方法存在以下不足:1)输出结果的误差方差大,存在部分输出结果远超误差阈值,这将影响用户体验。2)没有考虑输入数据对质量的影响,这导致某些输入数据未被充分近似。为了解决这些不足,定义一个运行时的众核系统性能优化问题:在每个输出结果均满足误差约束下,最小化应用程序的执行时间。又提出一个动态控制方法解决此问题,该方法根据系统状态和输出元素质量寻找多个控制变量的最优解,运行时更新以优化性能和能耗。实验结果表明,与静态方法相比,提出的动态方法使应用程序执行时间减少了16.93%,能耗减少了13.52%,超过误差阈值20%的输出结果减少了68.9%。