一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用制造技术

本发明专利技术涉及到一种Alpha导向灰狼算法及其它在两级运算放大器设计中的应用，属于群体智能算法的改进及应用领域。其特征在于：在灰狼算法中引入了Alpha导向机制，给狼群领导集团提供了潜在猎物的方向，进而提高算法的收敛速度；标准GWO如长时间陷入局部最优，种群就集中在Alpha、Beta、Delta附近区域且很难从中跳出，本发明专利技术在灰狼算法中引入Alpha变异机制，为种群跳出局部最优提供了渠道；在本发明专利技术中，算法参数采用标量化设计，算法结构得到简化。在两级无缓冲CMOS运算放大器优化设计的应用中，具有良好的寻优效果。

【技术实现步骤摘要】
一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用
本专利技术属于群体智能优化算法的改进和应用领域，涉及到一种新颖的灰狼种群导向机制、一种新颖的灰狼变异机制以及一种新颖的灰狼算法结构参数。
技术介绍
随着模拟集成电路的不断发展，设计的复杂性逐渐提高、需求不断增加，手工计算设计难度将越来越大，设计周期会更长，多目标和多约束性，使得模拟集成电路设计成为一个带约束的多目标优化问题，为兼顾模拟集成电路设计各项需求，要求电路设计者具备充足的设计经验，然而这也满足不了当前竞争激烈的市场需求，模拟集成电路参数优化设计辅助工具已成为一种迫切需要，图1中给了一种基本的两级无缓冲CMOS运算放大器的拓扑结构图。一些群体智能优化算法等其它自动化设计工具相继被提出。受自然界灰狼的社会等级和狩猎行为的启发，灰狼优化算法(GWO)于2014年被提出。在自然界中，狼群的社会等级划分为四个等级，从上到下分别是Alpha(α)狼、Beta(β)狼、Delta(δ)狼和Omega(ω)狼群，如图2所示。Alpha狼主要负责决定狼群狩猎、睡觉的地点、醒来的时间等等，它是狼群的领导者。Beta狼是帮助Alpha狼做决策者或其他群体活动的下属狼。Beta狼可以是雄性也可以是雌性，如果其中一只Alpha狼去世或者变得很老，它将成为Alpha狼的最佳选择。Beta狼应该尊重Alpha狼的所有决定，但同时指挥其他较低等级的狼。Delta狼必须服从Alpha和Beta，但它们指挥Omega狼群，侦查员、哨兵、长者、捕食者和看守者属于这一类。侦察员负责监视领地的边界，并在有危险的情况下发出警报。哨兵保护和保证狼群的安全性。长者是经验丰富的狼，曾经是Alpha或Beta。捕食者在狩猎猎物时为Alpha和Beta提供帮助，并为猎物提供食物。最后，看护者负责照顾那些虚弱、生病和受伤的狼群。等级最低的灰狼是Omega狼群，它们扮演替罪羊的角色，并不得不屈服于其他所有的狼群，它们是最后一批被允许食用的狼。看起来，它们在群体中并不重要，但根据观察发现，狼群在失去Omega的情况下，整个群体面临着内部斗争和问题。这是由于Omega释放了所有狼的暴力和挫败感。这有助于满足整个狼群并保持优势结构。在某些情况下，Omega也是狼群中的保姆。灰狼的捕食行为分为三个阶段：跟踪和接近猎物，追捕和包围猎物，攻击猎物。在GWO算法中，狩猎(优化)是由Alpha、Beta和Delta狼来引导的，Omega狼群跟随这三匹狼。根据29个基准函数的测试结果，GWO算法能够提供非常有竞争力的结果。但在狼群进化过程，Alpha狼的进化受等级低于其的Beta和Delta狼影响，Beta狼的进化受等级低于其的Delta狼影响，这不利于种群的快速收敛，在算法中引入一种有效的机制来引导Alpha、Beta和Delta狼进化寻优，显得十分必要。
技术实现思路
本专利技术的目的在于提高灰狼算法的收敛速度和精度，降低计算机计算时间，用以解决两级无缓冲CMOS运算放大器优化设计问题。其特征在于在灰狼算法中引入了Alpha导向机制、Alpha变异机制，算法参数标量化设计，主要包括以下几个步骤：步骤一：以两级运算放大器的开环增益Av为优化目标，以单位增益带宽UGB、摆率SR、晶体管的总面积TA、正电源抑制PSRR+、负电源抑制PSRR-、静态功耗Pdiss、相位裕度PM以及结构条件为约束条件，建立如下数学模型：considerX＝[x1，x2，…，x10]＝[S1，…，S8，I6，Cc]minf(X)＝EAv/Av＝EAv/(201g(2gm1gm6/(x9I6(λ2+λ4)(λ6+λ7)))s.tg1(X)＝EUGB/UGB＝EUGB/(gm1/(x10+A2Cgd6))≤1g2(X)＝ESR/SR＝ESR/(x9/x10)≤1g4(X)＝EPSRR+/PSRR+＝EPSRR+/201g(2gm1gm6/(x9λ6I6(λ2+λ4)))≤1g5(X)＝EPSRR-/PSSR-＝EPSRR-/201g(2gmlgm6/(x9λ7I6(λ2+λ4)))≤1g6(X)＝Pdiss/EPdiss＝(VDD-VSS)(2x9+I6)/1000/EPdiss≤1g7(X)＝10gm2/gm6≤1g8(X)＝0.122CL/x10≤1g9(X)＝10UGB/P3≤1h1X)＝x1-x2＝0，h2(X)＝x3-x4＝0h3(X)＝x5-x8＝0，wheregm1＝gm2＝(K′nx1x9)0.5gm3＝gm4＝(K′px3x9)0.5gm6＝gm4x6/x4A2＝gm6/(I6(λ6+λ7))Cgd6＝CGDOP·x6·LP3＝gm3/(4/3·COXx3L2)Rangex1，...，8∈[1，50]，x9∈(0，30]，x10∈(0，10]式中，Si，i＝1，..，8，L，gm，TA表示晶体管的宽长比、长度、跨导、总面积，E*表示*指标的期望值，K′n，K′P分别表示NMOS、PMOS的本征导电因子，CGDOP表示PMOS栅漏重叠电容器。步骤二：算法参数以及狼群位置初始化；步骤三：Alpha狼导向机制导向；GWO算法假设Alpha、Beta和Delta狼对潜在的猎物有更好的了解，它们引导整个狼群的搜索进化。当Alpha狼被更新时，与上一代Alpha狼的位置相比，一些维度坐标变小，一些变大，剩下的保持不变。对于坐标变化的维度，如果新的Alpha狼的适应度比上一代更好，则可以认为在Alpha狼在这些维度上正朝着更好的位置移动，猎物更可能存在这些方向上。故在GWO中引入了Alpha引导进化机制，以Alpha狼的进化方向引导整个狼群朝该方向进化，其2D示意图如图3所示，其算法流程图如图4所示。步骤四：灰狼狩猎操作，并对狼群进行适应度评估；为了简化算法结构参数，算法采用标量参数A和C，即在进化过程中，灰狼位置各个维度上具有相同的狩猎系数。为了突出Alpha狼的领导地位，在捕食过程中为Alpha、Beta和Delta狼重新分配的权值.灰狼的捕食行为分为三个阶段：跟踪和接近猎物，追捕和包围猎物，攻击猎物。其中灰狼跟踪和接近猎物阶段由以下三个式子模拟：Dα＝|C1*Xα-X|Dβ＝|C2*Xβ-X|Dδ＝|C3*Xδ-X|灰狼X追捕和包围猎物阶段由以下三个式子模拟：X1＝Xα-A1*DαX2＝Xβ-A2*DβX3＝Xδ-A3*Dδ灰狼X捕食猎物阶段由下式模拟：X(t+1)＝0.5·X1(t)+0.3·X2(t)+0.2·X3(t)步骤五：Alpha狼变异操作；标准GWO如长时间陷入局部最优，种群就集中在Alpha、Beta、Delta附近区域且很难从中跳出，为此，在灰狼算法中引入Alpha变异机制，分别通过以下两种不同方式产生两个不同的变异狼：方式一：将Alpha狼的位置坐标在可行域中镜像映射到可行域的另一侧，如下式：方式二：将Alpha狼进行高斯变异，如下式：其中Guassian(1,1)表示方差为1，平均值为1的高斯分布。步骤六：对变异狼进行适应度评估，选取当前种群中适应度度最好的三匹狼，分别命名为Alpha、Bea和Delta，并记录当前种群中的最优个体；步骤七：终止检验。判断算法是否满足终止条件，如果当前进化代数t小于最大本文档来自技高网...

【技术保护点】
1.一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用，其特点主要包括以下步骤：步骤1：通过对两级无缓冲CMOS运算放大器的数学建模，确定影响两级无缓冲CMOS运算放大器性能指标的各个变量以及变化范围，建立两级无缓冲CMOS运算放大器参数优化的目标函数。两级无缓冲CMOS运算放大器的优化设计就是通过调节各CMOS尺寸、偏置电流、补偿电容，使得其各性能指标达到最佳。以两级运算放大器的开环增益Av为优化目标，以单位增益带宽UGB、摆率SR、晶体管的总面积TA、正电源抑制PSRR+、负电源抑制PSRR‑、静态功耗Pdiss、相位裕度PM以及结构条件为约束条件，建立如下数学模型：consider X＝[x1，x2，…，x10]＝[S1，…，S8，I6，Cc]min f(X)＝EAv/Av＝EAv/(20lg(2gm1gm6/(x9I6(λ2+λ4)(λ6+λ7)))s.t g1(X)＝EUGB/UGB＝EUGB/(gm1/(x10+A2Cgd6))≤1g2(X)＝ESR/SR＝ESR/(x9/x10)≤1

【技术特征摘要】
1.一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用，其特点主要包括以下步骤：步骤1：通过对两级无缓冲CMOS运算放大器的数学建模，确定影响两级无缓冲CMOS运算放大器性能指标的各个变量以及变化范围，建立两级无缓冲CMOS运算放大器参数优化的目标函数。两级无缓冲CMOS运算放大器的优化设计就是通过调节各CMOS尺寸、偏置电流、补偿电容，使得其各性能指标达到最佳。以两级运算放大器的开环增益Av为优化目标，以单位增益带宽UGB、摆率SR、晶体管的总面积TA、正电源抑制PSRR+、负电源抑制PSRR-、静态功耗Pdiss、相位裕度PM以及结构条件为约束条件，建立如下数学模型：considerX＝[x1，x2，…，x10]＝[S1，…，S8，I6，Cc]minf(X)＝EAv/Av＝EAv/(20lg(2gm1gm6/(x9I6(λ2+λ4)(λ6+λ7)))s.tg1(X)＝EUGB/UGB＝EUGB/(gm1/(x10+A2Cgd6))≤1g2(X)＝ESR/SR＝ESR/(x9/x10)≤1g4(X)＝EPSRR+/PSRR+EPSRR+/201g(2gm1gm6/(x9λ6I6(λ2+λ4)))≤1g5(X)＝EPSRR-/PSSR-EPSRR-/201g(2gm1gm6/(x9λ7I6(λ2+λ4)))≤1g6(X)＝Pdiss/EPdiss＝(VDD-VSS)(2x9+I6)/1000/EPdiss≤1g7(X)＝10gm2/gm6≤1g8(X)＝0.122CL/x10≤1g9(X)＝10UGB/P3≤1h1X)＝x1-x2＝0，h2(X)＝x3-x4＝0wheregm1＝gm2＝(K′nx1x9)0.5gm3＝gm4＝(K′px3x9)0.5gm6＝gm4x6/x4A2＝gm6/(I6(λ6+λ7))Cgd6＝CGDOP·x6·LP3＝gm3/(4/3·COXx3L2)Rangex1，…，8∈[1，50]，x9∈(0，30]，x10∈(0，1...

【专利技术属性】
技术研发人员：胡拚，陈思溢，黄辉先，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：湖南,43