一种基于反向搜索和遗传算法的电路划分方法技术

本发明专利技术提供了一种基于反向搜索和遗传算法的电路划分方法，包括：对电路门级网表进行建模；从MIMO门级电路的输出端口进行反向搜索并记录每次搜索到的结果，根据反向搜索结果进行初始划分，将MIMO门级电路划分为数量与输出端口数量相同的MISO系统；基于遗传算法对MISO系统进行组合、合并、优化，将符合要求的初始划分的MISO系统进行并集运算，得到期望的划分块数m；将电路划分的m块输出为电路门级网表，并分别加载到仿真器；杜绝了并行仿真中各仿真器之间的通信，对门级电路的各个逻辑门电路赋予权重，基于权重判断划分结果的负载均衡，使得电路划分的结果更加合理，实现了通信量为零且负载均衡。负载均衡。负载均衡。

A circuit partition method based on reverse search and genetic algorithm

【技术实现步骤摘要】
一种基于反向搜索和遗传算法的电路划分方法


[0001]本专利技术涉及电子设计自动化的门级电路并行仿真
，特别涉及一种基于反向搜索和遗传算法的电路划分方法。

技术介绍

[0002]在门级电路(Gate Level Circuit，GLC)设计中，常通过仿真的方法验证电路的功能。随着电路规模逐渐增大，仿真需要消耗的时间逐渐增加。传统仿真技术已经不能满足日益增长的电路规模要求，限制了超大规模集成电路设计的发展。随着并行计算机和云计算技术的发展，可将门级电路系统进行划分，基于并行架构进行仿真方法缩减仿真时间，可有效缓解这个问题。
[0003]为了实现并行仿真，需要对电路进行合理划分，各仿真器之间通信量最小化和负载均衡是评价划分质量的关键指标。通信量最小化是指尽量减小各仿真器通信所花费的时间，通信花费的时间与割边的数量成正比。一般的各仿真器之间通信的时间比访问仿真器本地内存的时间高一个数量级。因此在并行仿真中，如果各仿真器之间通信频繁，那么通信花费的时间占据了工作时间的大部分。因此降低各仿真器间的通信开销是提升仿真速度的关键点。负载均衡是指各仿真器仿真的时间要大致相同，与逻辑门的数量和仿真器的计算速度相关。如果电路划分中各块的规模相差较大，那么在并行仿真中各仿真器仿真的时间差异较大，容易出现“水桶效应”，整体仿真时间受制于仿真时间最长的那个仿真器。目前的算法都是以实现通信量最小化和负载均衡为目标，但是两个问题均没有彻底解决。

技术实现思路

[0004]本专利技术提供了一种基于反向搜索和遗传算法的电路划分方法，其目的是为了实现电路划分通信量为零且负载均衡，解决电子设计自动化的电路仿真时过长的问题。
[0005]为了达到上述目的，本专利技术提供了一种基于反向搜索和遗传算法的电路划分方法，包括：
[0006]步骤1，对电路门级网表进行建模；
[0007]步骤2，从MIMO门级电路的输出端口进行反向搜索并记录搜索结果，根据搜索结果进行初始划分，将MIMO门级电路划分为数量与输出端口数量相同的MISO系统；
[0008]步骤3，基于遗传算法对MISO系统进行组合、合并、优化，将符合要求的初始划分的MISO系统进行并集运算，得到期望的划分块数m；
[0009]步骤4，将电路划分的m块输出为电路门级网表，并分别加载到仿真器。
[0010]其中，步骤1通过将门级网表转换为有向图模型，所述有向图模型包括节点和有向边，节点表示逻辑门或触发器，有向边表示节点间的连接关系，采用邻接矩阵表示有向图模型的内部连接关系，通过权重数组描述节点的仿真时间。
[0011]其中，搜索结果是所有和输出端口有关联的节点。
[0012]其中，遗传算法采用单条染色体表示一个个体，足够数量的个体构成种群，每条染
色体中的一个基因代表初始划分的一个MISO系统。
[0013]其中，步骤3包括：
[0014]步骤31，输入目标划分块数m、种群个体数量N、变异概率p、比例因子β和进化总次数G
max
；
[0015]步骤32，对所述MISO系统进行编码；
[0016]步骤33，对种群进行初始化；
[0017]步骤34，根据评价函数对当前种群中的个体进行评价并按照评价函数的评价值进行升序排序；
[0018]步骤35，根据排序选择种群中的前N个个体，舍弃其余个体；
[0019]步骤36，判断当前种群中个体的进化次数G是否达到最大值G
max
，若否，则通过交叉产生新个体，根据变异概率p发生变异，为种群添加新的个体后重复步骤34，直至当前种群中个体的进化次数G达到最大值G
max
进行步骤37，反之，则直接进行步骤37；
[0020]步骤37，将种群中的最优个体输出，即输出最优电路划分方案。
[0021]所述遗传算法中的个体N大于50，变异概率p小于10％，比例因子β为0.5，进化总次数G
max
大于30。
[0022]步骤34中的评价函数包括各块权重的标准差ASD
i，G
和重复度MUL
i，G
；
[0023]各块权重的标准差ASD
i，G
为
[0024][0025]重复度MUL
i，G
为
[0026]MUL
i，G
＝cost
i，G
‑
cost
initial
[0027]评价函数f
i，G
为
[0028]f
i，G
＝β
·
ASD
i，G
+(1
‑
β)
·
MUL
i，G
[0029]其中，cost
i，G
为每个染色体的权重，cost
Yk
(k＝1，2，
…
，m)为一个染色体上编号相同的基因构成集合的权重，cost
initial
为电路划分前整体电路的总权重，β为比例因子。
[0030]其中，交叉是选择两个个体作为父代，在父代1中选择一段子串复制到一个空串的相应位置产生一个初始后代，在父代2中随机选择一段子串，按顺序将子串复制到初始后代进行交叉。
[0031]其中，变异是使种群中少数个体的染色体发生大幅度变动，在进化过程中产生之前不存在的新特征。
[0032]本专利技术的上述方案有如下的有益效果：
[0033]本专利技术杜绝了并行仿真中各仿真器之间的通信，对门级电路的各个逻辑门电路赋予权重，基于权重判断划分结果的负载均衡，使得电路划分的结果更加合理，实现了通信量为零且负载均衡。
[0034]本专利技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0035]图1为本专利技术实施例的流程图；
[0036]图2为本专利技术实施例基于反向搜索的初始划分的有向图；
[0037]图3为本专利技术实施例对染色体进行交叉操作图；
[0038]图4为8位超前进位加法器的有向图；
[0039]图5为本实施例将图4划分后的第一块的有向图；
[0040]图6为本实施例将图4划分后的第二块的有向图；
[0041]图7为本实施例将图4划分后的第三块的有向图。
具体实施方式
[0042]为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于反向搜索和遗传算法的电路划分方法，其特征在于，包括：步骤1，对电路门级网表进行建模；步骤2，从MIMO门级电路的输出端口进行反向搜索并记录搜索结果，根据搜索结果进行初始划分，将MIMO门级电路划分为数量与输出端口数量相同的MISO系统；步骤3，基于遗传算法对MISO系统进行组合、合并、优化，将符合要求的初始划分的MISO系统进行并集运算，得到期望的划分块数m；步骤4，将电路划分的m块输出为电路门级网表，并分别加载到仿真器。2.根据权利要求1所述的基于反向搜索和遗传算法的电路划分方法，其特征在于，所述步骤1通过将门级网表转换为有向图模型，所述有向图模型包括节点和有向边，所述节点表示逻辑门或触发器，所述有向边表示节点间的连接关系，采用邻接矩阵表示有向图模型的内部连接关系，通过权重数组描述节点的仿真时间。3.根据权利要求1所述的基于反向搜索和遗传算法的电路划分方法，其特征在于，所述搜索结果是所有和输出端口有关联的节点。4.根据权利要求1所述的基于反向搜索和遗传算法的电路划分方法，其特征在于，所述遗传算法采用单条染色体表示一个个体，足够数量的个体构成种群，每条染色体中的一个基因代表初始划分的一个MISO系统。5.根据权利要求4所述的基于反向搜索和遗传算法的电路划分方法，其特征在于，所述步骤3包括：步骤31，输入目标划分块数m、种群个体数量N、变异概率p、比例因子β和进化总次数G
max
；步骤32，对所述MISO系统进行编码；步骤33，对种群进行初始化；步骤34，根据评价函数对当前种群中的个体进行评价并按照评价函数的评价值进行升序排序；步骤35，根据排序选择种群中的前N个个体，舍弃其余个体；步骤36，判断当前种群中个体的进化次数G是否达到最大值G
max
，若否，则通过交叉产生新个体，根据变异概率p发生变异，为种群添加新的个体后重复步骤34，直至当前种群中个体的进化次数G达到最大值G
max
进行步骤37，反之，则直接进行步骤...

【专利技术属性】
技术研发人员：丁家峰，张聪，李新梅，赵岩，尹林子，
申请(专利权)人：中南大学，
类型：发明
国别省市：