本文主要研究了基于再励学习算法的电源管理技术研究。　　 随着集成电路规模的不断增大，芯片的功耗也越来越大。功耗问题已经成为SOC芯片设计中的热点问题。根据系统的实时性要求，软件级别的功耗管理在可以根据环境进行算法上的优化，使系统的功耗状态最好的符合用户的实际操作规律，或对系统的相应时间做出的功耗最佳优化。软件级别的电源管理与硬件相比，具有研究周期短，见效快，针对性强等特点。相比之下，要在硬件上支持一种新的功耗管理方案时，需要大量的资金支持才能做到。　　 追溯历史，嵌入式处理器的低功耗是通过使用一些低功耗的空闲或睡眠模式来实现的。现在，嵌入式处理器要承担更复杂的工作，需要更高的性能。动态电压调整可以看作是动态电源管理的一种扩展，它一般用于系统或者组件需要连续工作的情形，即系统要保证一定的吞吐量，如多媒体播放器中的针对与不同媒体流的编码，解码，输出，在系统要求连续的处理输入信号并且输出处理结果的前提下，根据需要处理的数据信号的类型不同，对系统的计算性能要求也会有所变化的原理，应用动态电压调整，系统可以根据计算的复杂性运行在不同的速度下，运行速度(对应与时钟频率)可以通过调整供电电压来控制。比一般动态电源管理方法具有更好的效果。　　 再励学习是在随机序贯决策问题中学习最优控制策略的理论和技术的整体，是在与环境的交互中学习的计算性方法。再励学习以随机序贯决策问题为框架背景，作为动态规划的近似算法，避免了在状态空间中做耗尽式搜索而导致的不可计算问题，而且环境模型不再是计算中所必须的。本文将再励学习人工神经网络方法应用到动态电压调整算法中去，通过分析建模实验，证明了引入再励学习神经网络的动态电压调整能够根据环境的变化进行电压调整，从而达到节省功耗的目的。通过实验证明，取得了很好的效果。