一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法技术

本发明专利技术涉及一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法，为了能够同时处理两种SMT问题，本发明专利技术提出了一种有效的边‑点编码策略。本发明专利技术给出了一种既能扩大算法的搜索空间又可以确保有效收敛的多阶段转换策略。通过测试从两阶段到四阶段三种方案以及每种方案的不同组合，本发明专利技术给出了一种最佳的组合。同时本发明专利技术使用与并查集分割相结合的遗传操作构建用于离散VLSI布线的离散粒子更新操作。此外，为了引入不确定性和多样性，本发明专利技术给出了一种改进边转换策略的变异操作。本发明专利技术的方法在全局角度上可得到质量最好的布线方案。

A Particle Swarm Optimization Steiner Minimum Tree Construction Method Based on Multi-Stage Conversion and Genetic Operations under X Structure

The invention relates to a particle swarm optimization Steiner minimum tree construction method based on multi-stage transformation and genetic operation under X structure. In order to deal with two SMT problems simultaneously, the invention proposes an effective edge-to-point coding strategy. The invention provides a multi-stage conversion strategy which can enlarge the search space of the algorithm and ensure effective convergence. By testing three schemes from two to four stages and different combinations of each scheme, the invention provides an optimal combination. At the same time, the present invention constructs a discrete particle update operation for discrete VLSI routing using a genetic operation combined with and set partitioning. In addition, in order to introduce uncertainty and diversity, the invention provides a mutation operation to improve the edge conversion strategy. The method of the invention can obtain the best quality wiring scheme from a global angle.

【技术实现步骤摘要】
一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法
本专利技术涉及集成电路计算机辅助设计领域，特别是一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法。
技术介绍
总体布线是超大规模集成电路(VLSI)物理设计的重要步骤。斯坦纳最小树(SMT)问题是通过引入附加的点(斯坦纳点)连接所给的引脚集合构建一棵最小代价的布线树。斯坦纳最小树是VLSI总体布线中连接多端线网的最好连接模型，所以斯坦纳最小树的构建是VLSI布线中的一个关键问题。目前，有很多基于曼哈顿结构的布线算法被提出。随着VLSI技术的发展，互连效果成为芯片性能的主要挑战。然而，基于曼哈顿结构的布线模型要求芯片引脚间的连接只能是水平或垂直方向，导致芯片的互连线长度优化能力受到限制。所以，越来越多的人开始设计基于能够充分利用布线资源并有着更好的线长优化能力的非曼哈顿结构的布线算法。构建非曼哈顿结构下的斯坦纳最小树是一个NP难问题。一方面，有些学者基于已有的算法和传统的启发式算法设计非曼哈顿结构下的斯坦纳树算法。已有算法的时间复杂度随着问题规模的增加呈指数式增长，并且大多数传统的启发式算法由于基于贪心策略而易于陷入局部最优解。因此，基于已有算法和传统的启发式算法构建斯坦纳树的方法没有充分利用非曼哈顿结构的几何特性，不能保证斯坦纳树的质量。除此之外，这些方法很少提供合适的拓扑优化方法，在时间效率和线长等关键指标上的优化能力有限。另一方面，粒子群优化(PSO)被证明为是一种具有很强全局优化能力的群智能算法。粒子群优化算法属于进化算法的一种，它从随机解出发，通过迭代寻找最优解，通过适应度来评价解的质量，通过追随当前搜索到的最优值来寻找全局最优解。粒子群优化算法具有快速收敛、优秀的全局搜索能力、稳定性、高效性等优点。因此，利用粒子群优化算法求解NP困难问题取得了很好的结果。
技术实现思路
有鉴于此，本专利技术的目的是提出一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法，以优化布线树的线长和时间为目标，最终达到对布线总代价这一重要目标的优化。该方法具有优秀的全局优化能力，能从全局的角度考虑斯坦纳最小树的构建，最终获得优秀的解方案，提高布线树的质量，为布线问题提供较好的布线树。本专利技术采用以下方案实现：一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法，包括以下步骤：步骤S1：输入基准测试电路网络数据；步骤S2：读取基准测试电路网络数据，并根据坐标的大小按升序排序；步骤S3：初始化包括种群大小、最大迭代次数、惯性权重和加速因子在内的参数，并随机生成初始种群；步骤S4：采用基于四阶段转换策略的改进遗传操作更新每个粒子的速度和位置；步骤S5：判断新粒子的适应度值是否大于该粒子的历史最优值，若是，则进入步骤S6，否则进入步骤S7；步骤S6：新粒子更新为该粒子的历史最优粒子，进入步骤S7；步骤S7：判断新粒子的适应度值是否大于种群的全局最优，若是，则进入步骤S8，否则进入步骤S9；步骤S8：将新粒子更新为种群的全局最优值，进入步骤S9；步骤S9：判断是否满足迭代终止条件，若是，输出最终的布线树，否则返回步骤S4。进一步地，步骤S4具体为：粒子更新公式如下：式中，w是惯性权重，c1和c2是加速因子，N1表示变异算子，N2和N3表示交叉算子；其中，粒子进行变异操作的公式为：式中，表示第i个粒子在第t-1代的解方案，代表变异操作，r1为随机数，当算法中产生的随机数r1满足r1＜w时，将随机产生一条待变异的边进行变异；其中，粒子进行交叉操作包括：与自身历史最佳位置交流以及与种群的全局历史最佳位置交流，分别为：式中，交叉操作Cp(Wit)表示粒子Wit与自身历史最佳位置进行交流学习，交叉操作表示粒子与种群的全局历史最佳位置进行交流学习。进一步地，所述变异算子包括两种，一种为采用伪斯坦纳点变换策略的变异算子，另一种为采用边变换策略的变异算子；其中，变异算子采用的伪斯坦纳点变换策略具体为：首先采用适合X结构斯坦纳最小树的边-点编码策略，用布线树的边集合编码相应的斯坦纳树，每条边的编码采用三位数字串表示，编码每条边的数字串的前两位表示边所连接的两个引脚的编号，第三位表示边的伪斯坦纳点选择方式；接着选择粒子中的两个点，即斯坦纳树的两条边，随机变化该两条边的数字串中的第三位数字；其中，变异算子采用的边变换策略具体为：首先采用适合X结构斯坦纳最小树的边-点编码策略，用布线树的边集合编码相应的斯坦纳树，每条边的编码采用三位数字串表示，编码每条边的数字串的前两位表示边所连接的两个引脚的编号，第三位表示边的伪斯坦纳点选择方式；接着对两条边做变异，对于每一条边，删除一条边之后通过并查集将边集合分为两个集合，然后从两个集合中各挑出一个点连接构造出一个新的布线树。进一步地，所述交叉算子包括两种，一种为采用伪斯坦纳点变换策略的交叉算子，另一种为采用边变换策略的交叉算子；其中，交叉算子采用的伪斯坦纳点变换策略具体为：在待交叉粒子与个体或全局历史最优粒子中分别选取两个一样的点，将待交叉粒子中该两点中间的边交换为个体或全局历史最优粒子中该两点中间的边；其中，交叉算子采用的边变换策略具体为：首先将两个布线树的边按照引脚的序号从小到大排序，两个布线树相同的边直接作为新生成的布线树的边，而其余不相同的边组成一个集合；然后，在不相同的边组成的集合中，依次采用并查集策略选择不会产生环路的边加入到新的布线树中；最后，根据需要建立新的边构造出一个连通的布线树。进一步地，将遗传操作的迭代过程分为四个阶段，第一个阶段中，变异算子或者交叉算子采用边变化策略；第二个阶段中，变异算子或者交叉算子采用伪斯坦纳点变换策略；第三个阶段中，变异算子或者交叉算子采用边变换策略；第四个阶段中，变异算子或者交叉算子采用伪斯坦纳点变换策略。进一步地，所述适合X结构斯坦纳最小树的边-点编码策略中，每条边的数字串中的第三位为0、1、2、或3，分别代表0选择、1选择、2选择、3选择；其中，0选择表示先从第一顶点通过矩形边连接到伪斯坦纳点S，然后从S通过八角形边连接到第二顶点；1选择表示先从第一顶点通过八角形边连接到伪斯坦纳点S，然后从S通过矩形边连接到第二顶点；2选择表示先从第一顶点通过垂直边连接到伪斯坦纳点S，然后从S通过水平边连接到第二顶点；3选择表示先从第一顶点通过水平边连接到伪斯坦纳点S，然后从S通过垂直边连接到第二顶点。进一步地，所述适应度值的计算采用下式为：式中，L(TX)为布线树中所有边的长度总和，计算公式如下：式中，l(ei)表示布线树TX中边ei的长度。进一步地，当布线树为八角形斯坦纳树时，将所有的边分为水平边、垂直边、45°边和135°边四种类型，然后将45°边顺时针旋转到水平边位置，并且将135°边顺时针旋转到垂直边位置；根据左侧引脚的坐标将水平边先按从下到上的顺序其次按从左到右的顺序排列，同时根据下方引脚的坐标将垂直边先按从左到右的顺序再按从下到上的顺序排列；最后，在不重复计算重叠长度的情况下，计算出所有边的总线长，即为八角形斯坦纳树的总线长。本专利技术的关键点主要有：1、对于算法编码策略的设计，本专利技术采用适用于X结构斯坦纳最小树构建的边-点编码策略，用布线树的本文档来自技高网...

【技术保护点】
1.一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法，其特征在于：包括以下步骤：步骤S1：输入基准测试电路网络数据；步骤S2：读取基准测试电路网络数据，并根据坐标的大小按升序排序；步骤S3：初始化包括种群大小、最大迭代次数、惯性权重和加速因子在内的参数，并随机生成初始种群；步骤S4：采用基于四阶段转换策略的改进遗传操作更新每个粒子的速度和位置；步骤S5：判断新粒子的适应度值是否大于该粒子的历史最优值，若是，则进入步骤S6，否则进入步骤S7；步骤S6：新粒子更新为该粒子的历史最优粒子，进入步骤S7；步骤S7：判断新粒子的适应度值是否大于种群的全局最优，若是，则进入步骤S8，否则进入步骤S9；步骤S8：将新粒子更新为种群的全局最优值，进入步骤S9；步骤S9：判断是否满足迭代终止条件，若是，输出最终的布线树，否则返回步骤S4。

【技术特征摘要】
1.一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法，其特征在于：包括以下步骤：步骤S1：输入基准测试电路网络数据；步骤S2：读取基准测试电路网络数据，并根据坐标的大小按升序排序；步骤S3：初始化包括种群大小、最大迭代次数、惯性权重和加速因子在内的参数，并随机生成初始种群；步骤S4：采用基于四阶段转换策略的改进遗传操作更新每个粒子的速度和位置；步骤S5：判断新粒子的适应度值是否大于该粒子的历史最优值，若是，则进入步骤S6，否则进入步骤S7；步骤S6：新粒子更新为该粒子的历史最优粒子，进入步骤S7；步骤S7：判断新粒子的适应度值是否大于种群的全局最优，若是，则进入步骤S8，否则进入步骤S9；步骤S8：将新粒子更新为种群的全局最优值，进入步骤S9；步骤S9：判断是否满足迭代终止条件，若是，输出最终的布线树，否则返回步骤S4。2.根据权利要求1所述的一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法，其特征在于：步骤S4具体为：粒子更新公式如下：式中，w是惯性权重，c1和c2是加速因子，N1表示变异算子，N2和N3表示交叉算子；其中，粒子进行变异操作的公式为：式中，表示第i个粒子在第t-1代的解方案，代表变异操作，r1为随机数，当算法中产生的随机数r1满足r1＜w时，将随机产生一条待变异的边进行变异；其中，粒子进行交叉操作包括：与自身历史最佳位置交流以及与种群的全局历史最佳位置交流，分别为：式中，交叉操作Cp(Wit)表示粒子Wit与自身历史最佳位置进行交流学习，交叉操作表示粒子Sit与种群的全局历史最佳位置进行交流学习。3.根据权利要求2所述的一种X结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法，其特征在于：所述变异算子包括两种，一种为采用伪斯坦纳点变换策略的变异算子，另一种为采用边变换策略的变异算子；其中，变异算子采用的伪斯坦纳点变换策略具体为：首先采用适合X结构斯坦纳最小树的边-点编码策略，用布线树的边集合编码相应的斯坦纳树，每条边的编码采用三位数字串表示，编码每条边的数字串的前两位表示边所连接的两个引脚的编号，第三位表示边的伪斯坦纳点选择方式；接着选择粒子中的两个点，即斯坦纳树的两条边，随机变化该两条边的数字串中的第三位数字；其中，变异算子采用的边变换策略具体为：首先采用适合X结构斯坦纳最小树的边-点编码策略，用布线树的边集合编码相应的斯坦纳树，每条边的编码采用三位数字串表示，编码每条边的数字串的前两位表示边所连接的两个引脚的编号，第三位表示边的伪斯坦纳点选择方式；接着对两条边做变异，对于每一条边，删除一条边之后通过并查集将边集合分为两个集合，然后从两个集合中各挑出一个点连接构造出一个新的布线树。4.根据权利要求2所述的一种X结构下基于...

【专利技术属性】
技术研发人员：刘耿耿，庄震，郭文忠，陈国龙，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35