一种包含无关项的Reed‑Muller逻辑电路的功耗优化方法技术

本发明专利技术一种包含无关项的Reed‑Muller逻辑电路功耗优化方法，步骤为：1实现包含无关项的布尔逻辑向RM逻辑的极性转换；2随机生成初始种群；3完成十进制极性向二进制或三进制转换；4计算种群极性集中不同极性间的不同位数；5由改进的自适应遗传算法求每一代待评估极性集的最佳极性转换顺序；6按5中得到的顺序对当前极性集进行极性转换；7由每个极性对应的RM表达式和适应度函数，计算其适应度值，并执行精英保留策略；8若当前进化代数小于最大迭代次数，执行步骤9，10；否则，输出最佳极性；9执行选择、交叉和变异操作；10循环执行步骤4至步骤7。本发明专利技术提高了极性搜索的效率，增强了遗传算法的收敛性及鲁棒性。

【技术实现步骤摘要】

本专利技术设及一种针对Reed-Muller逻辑电路的极性优化方法，尤其设及一种包含 无关项的Reed-Muller逻辑电路的功耗优化方法。属于集成电路优化设计

技术介绍
随着集成电路的高速发展，其设计复杂度也在不断增加，传统的人工设计方法早 已失效，计算机辅助设计（CAD)和电子设计自动化巧DA)应运而生。而CAD工具在不同设计 抽象层中对电路优化设计时，逻辑级电路优化是集成电路优化设计的关键组成部分之一。 集成电路逻辑级自动化设计对电路的功耗和面积的性能优化起重要作用。 目前，集成电路优化设计大多基于Boolean逻辑，并已建立了相对系统的自动设 计方法。然而，相关研究已表明，在功耗、面积、速度和可测试性等多方面，对于部分电路 (如算术电路、奇偶校验电路、通信电路）而言，Reed-Muller(RM)逻辑实现形式比传统的 Boolean逻辑实现形式具有更大的优势。 无关项是数字逻辑函数中的一种特殊的最小项，该项在逻辑函数展开式中出现与 否均不影响逻辑电路的性能，但是相关研究表明，合理的利用无关项可W简化逻辑函数的 展开式，进而优化电路的面积和功耗。因此，包含无关项的M逻辑电路优化是对集成电路 设计技术的重要补充，进而提高M逻辑电路的应用范围。RM逻辑函数有两种主要的表不形式，分别是FixedPolarityReed-Muller(FPRM) 和MixedPolarityReed-Muller(MPRM)表达式。对于FPRM逻辑而言，n输入变量的逻辑 函数有2"不同的极性，对应2n繁简不同的逻辑表达式。对于MPRM逻辑而言，n输入变量的 逻辑函数有3"不同的极性，对应3n繁简不同的逻辑表达式。若加入m个无关项，其优化空 间均会相应增大，其中包含无关项的FPRM电路优化空间变为2。+-，包含无关项的MPRM逻辑 电路的优化空间变为3". 2-。相比于未考虑无关项的RM逻辑电路，优化空间急剧变大。而 极性是M逻辑电路的关键因素，直接决定着电路表达式的繁简，进而影响电路的功耗、面 积W及速度等方面的性能。M电路的极性优化是在具体的极性空间中捜索一个或多个极 性，其所对应逻辑表达式的目标函数的值最优，即为最佳极性，而每个极性的优劣是根据对 应极性展开式的目标函数值的大小来进行评定，其中目标函数一般是与电路的功耗、面积、 速度及可测试性等性能相关。 基于快速列表技术的极性间转换算法表明：由某已知极性下的M展开式求另一 待评估极性对应的M展开式时，该两个极性间不同位数越少，则转换过程所需的操作越 少，极性转换速度也越快。对于小规模电路而言，可W按照格雷码顺序进行捜索，此时的转 换速度是最快的；但对于中大规模电路而言，随着输入变量个数的增加，极性数目与变量数 目之间是成指数关系的，M逻辑电路的优化空间也成指数倍增加，在传统的基于遗传算法 的M逻辑电路的功耗优化中，每一代个体集都由几十甚至上百个个体按随机的顺序组合 而成，如果直接按照随机顺序进行极性转换，又会造成计算时间的严重浪费。因此，需要寻 求更加有效的智能算法来捜索最佳极性。综上所述，现有的针对中大规模Reed-Muller逻辑电路的功耗优化方法存在着如 下一些问题：[000引 1)随着M逻辑电路输入变量的增加，其功耗优化的极性捜索空间也随之增大，单 纯的穷尽捜索算法已经不能满足要求，若直接按照随机顺序评估M逻辑电路的该些极性， 会造成计算时间上的极大浪费。 2)遗传算法虽然简单通用、并行处理能力和全局捜索能力强，但是它收敛速度很 慢，而且容易陷入局部最优，加上由于遗传算法中交叉、变异等操作的随机性，很容易破坏 当前群体中适应度最好的个体。尤其是对于大规模的M逻辑电路而言，影响捜索到最佳极 性的效率。 3)标准的遗传算法采用固定的交叉率和变异率，存在早熟及稳定性差的缺点。传 统的自适应遗传算法虽能提高算法的收敛性，但却难W提高优良解的多样性，W及算法的 鲁椿性。
技术实现思路
本专利技术的目的在于解决当前包含无关项的M逻辑电路功耗优化足的问题，提出 了一种针对包含无关项的M逻辑电路的功耗优化方法。先根据逻辑电路极性捜索过 程最少操作"的原则，利用改进的自适应遗传算法求解待评估极性集的最佳极性遍历顺序； 然后再根据此极性遍历顺序对包含无关项的M逻辑电路进行极性转换和功耗估计，W此 完成包含无关项的M逻辑电路最佳极性优化；该方法可W有效地缩短M逻辑电路的最佳 极性捜索时间。 本专利技术中遗传算法的初始种群是由两部分组成，基于改进的最近邻算法生成部分 个体（实验中取整体种群的80% )，另一部分个体则是随机生成（实验中取20% )，该样生 成的个体中包含有较好的顺序片断，能在进化前期有效指导种群的进化方向，加快算法的 收敛速度，缩减算法的捜索空间，从而提高算法的运行效率。随着M逻辑电路输入变量的 增加，该算法的优越性就会更加明显。 同时，遗传算法参数中的交叉率和变异率直接影响着算法的收敛性。在遗传算法 初期，模式主要集中在适应度较低的个体上，若采用较小的交叉率和变异率，种群很难产生 出优秀的新个体。算法后期，模式朝高适应度的个体集中，倘若仍采用较大的交叉率和变异 率，容易破坏优良模式，使算法陷入局部收敛。而且，普通的自适应遗传算法中，群体最大适 应度值的个体的交叉率和变异率为零，使得进化趋于局部最优解的可能性增加。本专利技术提 出的改进的自适应遗传算法主要是对传统自适应遗传算法中的交叉率和变异率调整曲线 进行了非线性化，使得它们随着适应度的改变可W灵活的改变。 最后，采用精英保留策略，保证了每一代的优良个体不被交叉和变异等操作破坏。 双曲正切函数拥有比余弦函数更平滑的顶部和底部，但其函数变化范围是 ，而遗传算法中交叉率和变异率的变化范围需要满足在之间，因此，需要对该 函数做如下所示的变换：。）在本专利技术改进的自适应遗传算法中，采用上述变换后的双曲正切函数来设计交叉 率和变异率的自适应调整公式，交叉率和变异率的自适应调整公式如下所示； 其中，P"a康示交叉率取值的最大值，P表示交叉率取值的最小值，Pmma,表示变 异率取值的最大值，表示变异率取值的最小值；P。表示遗传算法中个体间的交叉概率， Pm表示遗传算法中个体间的变异概率；fwg表示种群的平均适应度，fmay表示种群的最大适 应度，r表示参与交叉的两个体中较大的适应度，f表示变异个体的适应度。 本专利技术提出的改进的自适应遗传算法，对交叉算子和变异算子分别进行了优化， 实现了根据种群的进化情况对交叉率和变异率的非线性自适应调整，在种群演化中有效地 保留了优秀个体的模式，增强了较差个体的变异能力，使算法能跳出局部最优解，克服早熟 的缺点。 同时，它不仅保证了交叉率和变异率的自适应调整曲线在fwg处缓慢改变，从而大 面积地提高适应度接近平均适应度的个体的交叉率和变异率，而且确保了交叉率和变异率 的自适应调整曲线在fwg和相差较大时不会趋于直线，保证了种群中较优个体仍具有 一定的交叉率和变异率，避免发生早熟。 综上所述，本专利技术中包含无关项的M逻辑电路功耗优化主要由图1和图2所示的 两部分算法实现，图1为用改进的自适应遗传算法求解每一代待评估极性集的最佳极性转 换顺序，即算法1 ;图2为捜索包含无关项本文档来自技高网...

【技术保护点】
一种包含无关项的Reed‑Muller逻辑电路的功耗优化方法，其特征在于：该方法具体步骤如下：步骤1：实现包含无关项的布尔逻辑电路向RM逻辑电路的极性转换；步骤2：随机生成遗传算法的初始种群，其中，所述的初始种群均为十进制的极性；步骤3：若针对FPRM逻辑电路，则将初始种群中十进制的极性转换成二进制；若针对MPRM逻辑电路，则将初始种群中十进制的极性转换成三进制进行；步骤4：根据当前种群中每个极性的二进制或者三进制形式，分别计算出不同极性间的不同位数，并存储到不同位数矩阵中；步骤5：根据改进的自适应遗传算法，求解每一代待评估极性集的最佳极性转换顺序；步骤51：由改进的最近邻算法生成遗传算法的80％的染色体，随机生成初始种群中剩余的20％染色体，并分别计算出每条染色体中的不同极性之间的不同位数之和；其中，改进的最近邻算法即普通的最近邻算法依次经过移位、换位和倒位操作实现；步骤52：所述的改进的自适应遗传算法的适应度为染色体中的不同极性间的不同位数之和的倒数，计算每个个体的适应度值，并执行精英保留策略；步骤53：判断是否达到最大进化代数，不满足就依次进行轮盘赌选择、自适应交叉和自适应变异得到下一代新个体，然后执行步骤52，否则输出最佳极性转换顺序；步骤6：按照步骤5中得到的最佳极性转换顺序，及步骤1得到的RM逻辑表达式，依次实现RM逻辑电路极性间的转换；步骤7：根据步骤6中得到的不同极性下的RM逻辑电路表达式，依次计算每个极性对应的开关活动率，最终根据开关活动率的值计算出每个极性对应的适应度值，根据精英保留策略依次保留当代最好的个体；步骤8：若当前进化代数未达到遗传算法设定的最大进化代数，则执行步骤9和步骤10；否则，输出所示算法中的最佳极性；步骤9：执行遗传算法的选择、交叉和变异操作，以生成子代；步骤10：循环执行步骤4到步骤7。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王翔，张荣，王维克，何振学，沈全能，周成，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11