一种基于规则引导的遗传算法的集成电路优化方法及系统技术方案

本发明专利技术涉及一种基于规则引导的遗传算法的集成电路优化方法及系统，本发明专利技术将模拟电路设计规则嵌入到传统的遗传算法中，用基于经验的设计规则引导传统遗传算法中的随机基因变异进而加速优化过程。本发明专利技术沿用了传统遗传算法的选择、交叉操作，在变异阶段引入设计规则，通过追溯当前个体的父本和母本，对其父本和母本进行一次设计规则引导的基因变异，产生新的父本和母本，新的父本和母本重新交叉产生新个体，加入到下一代种群中。本方法和传统遗传算法一样具有较高的优化精度，与传统遗传算法相比，收敛速度更快，优化效率更高。对于复杂电路如四级运算放大器，传统算法难以在有限采样点的情况下搜索到满足设计指标的解，而本发明专利技术可以在设计规则的引导下高效地找到符合设计指标的解。标的解。标的解。

【技术实现步骤摘要】
一种基于规则引导的遗传算法的集成电路优化方法及系统


[0001]本专利技术涉及一种基于规则引导的遗传算法的集成电路优化方法及系统，属于模拟集成电路


技术介绍

[0002]集成电路设计目前正处于高速发展阶段，新器件新工艺的不断出现对集成电路的设计方法和设计工具提出了更高的要求。集成电路的种类按设计类别主要分为数字集成电路和模拟集成电路两部分，其中的数字集成电路有较为成熟的电子设计自动化(Electronic Design Automation,EDA)工具来辅助设计，有较高的设计效率。模拟集成电路EDA工具的发展相对滞后，大部分模拟集成电路的设计主要依赖人工调试。对于选定的电路拓扑结构，由于模拟集成电路设计参数多、设计空间大，电路性能指标众多且相互制约，设计者往往需要在多个相互关联的电路指标中反复权衡。因此，模拟集成电路参数设计是一个多次迭代、反复试验的过程，手工调试占据了电路设计的大部分时间。为了改变模拟集成电路人工调试费时、费力的现状，迫切需要一种自动化的参数设计工具。
[0003]近年来，优化算法和人工智能算法的兴起推动了模拟集成电路参数自动设计的发展。常用的模拟集成电路参数自动设计方法被归结为两类：基于模型的和基于仿真的优化方法。基于模型的模拟电路参数优化设计方法首先对电路性能和电路参数之间的关系进行建模，根据模型来分析调整电路参数。这种方法设计效率高，但在模型构建过程中往往采用近似，比较适合电路问题的定性分析。
[0004]随着人工智能的发展，人们将机器学习模型应用于模拟电路参数优化，提升了模型精度。然而，随着电路参数设计搜索空间维数和非线性度的增加，能够准确代替整个设计空间的代理模型也越来越难以构建。基于仿真的模拟电路参数优化设计方法不直接推导电路性能和电路参数之间显式方程，而是通过SPICE仿真来评估电路性能，进而实现电路指标的优化。这种方法准确度较高，但优化迭代需要大量的SPICE仿真，从而耗费更多的运算资源和较长的运行时间。
[0005]以上优化算法被应用于中小规模模拟电路网表的自动优化，例如，二级运算放大器、电荷泵、压控振荡器、复数滤波器等，取得了较好的优化效果。但是，对于拓扑结构复杂、解空间与参数搜索空间相比非常窄的模拟电路，例如，四级运算放大器，这些方法的搜索效率过低，达不到实际应用的要求。针对这类解空间非常窄的复杂模拟电路自动优化设计问题，迫切需要一种多变量空间的加速搜索方法，以更高的效率设计出性能优良的模拟集成电路。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供一种基于规则引导的遗传算法的集成电路优化方法及系统。本专利技术将模拟电路设计规则嵌入到传统的遗传算法中，用基于经验的设计规则引导传统遗传算法中的随机基因变异进而加速优化过程，兼顾了模拟电路优化的效率和
精度，是一种既可达到较高优化精度又兼具优化效率的模拟电路优化方法。
[0007]术语解释：
[0008]1、cost值：是一个衡量电路性能优劣的参数，根据SPICE仿真得到的电路性能值和预设的设计指标值计算得到，cost值越小代表电路性能越好。用于cost 值计算的电路性能指标可以是一个或多个，即本方法可以实现单目标优化或多目标优化。
[0009]2、正交拉丁方：拉丁方是一个特殊的方阵，即各个元素在每行每列中均只出现一次。如由多个拉丁方所组成的复合方阵里没有重复的元组，则该复合方阵称为正交拉丁方。
[0010]3、SPICE仿真器：SPICE(Simulation program with integrated circuit emphasis) 是一种功能强大的模拟电路仿真器。
[0011]4、并行仿真：利用多个CPU内核，同时进行多次SPICE仿真。
[0012]5、电路设计变量：是指电路中需要改变的电路设计参数值，例如电阻、电容、MOS管的宽度等。
[0013]6、电路性能参数：又称电路设计指标或电路的性能值。例如，运算放大器的增益、带宽、相位裕度、压摆率、功耗等。
[0014]7、交叉算子：是指在基因交叉或基因重组中，把两个父体部分结构加以替换，生成新的个体的操作，习惯上对实数编码的操作叫做重组(Recombination)，对二进制编码的操作称为交叉，而针对基因的二进制编码直接编码(Normal)和 Gray编码的算法，均为交叉算子。
[0015]本专利技术的技术方案为：
[0016]一种基于规则引导的遗传算法的集成电路优化方法，其实现方法是将电路设计规则嵌入到传统的遗传算法中，用设计规则引导的确定方向的变异替代传统的随机变异。该方法能够用规模有限的采样点，以更高的效率找到符合电路性能参数的全局最优解。包括步骤如下：
[0017]步骤1：获取初始种群，设定该初始种群为当前种群；
[0018]步骤2：种群评估，即通过对当前种群中的各个个体进行并行SPICE仿真，得到种群中各个个体的电路性能参数；
[0019]步骤3：计算当前种群中各个个体的cost值，并选取cost值最小的个体为该种群中的最优个体；
[0020]步骤4：判断该种群中的最优个体是否满足优化终止条件，若满足，则优化结束，输出当前种群中cost值最小的个体，包含其相应的电路设计变量及其电路性能参数，否则，进入步骤5；
[0021]步骤5：种群选择，即根据cost值选取初始种群中的优良个体，选中的个体直接遗传到下一代或通过步骤6和步骤7中的交叉和变异操作后产生新的个体后再遗传到下一代，cost值越小的个体被选中的概率越大；
[0022]步骤6：种群交叉，即在种群的优良个体中随机选取一对个体作为父本和母本，利用交叉算子进行交叉产生新的个体，保存交叉后的个体及其父母在种群中的位置信息；
[0023]步骤7：通过判断各个个体的随机变异概率，进行种群变异方式选择，若该个体的随机变异概率大于预先设定的总变异率，则不对该个体进行变异操作，直接放入下一代种群，进入步骤9；若该个体的随机变异概率小于预先设定的总变异率且大于预先设定的规则
变异率，则对该个体进行传统的随机变异操作，产生新的个体，加入到下一代种群，进入步骤9；若该个体的随机变异概率小于预先设定的规则变异率，则对该个体进行规则引导的变异操作，进入步骤8；
[0024]步骤8：规则引导的基因变异，即通过对即将进行规则引导的变异操作的个体，根据电路设计规则，按照设计目标的重要性程度，将不满足设计指标要求的个体进行替换，加入到下一代种群；
[0025]步骤9：重复步骤2至步骤7；
[0026]步骤10：得到优化结果。
[0027]进一步地，所述步骤1中，获取初始种群，具体包括：通过正交拉丁方的方法，在设计空间中进行采样得到用于遗传算法的初始种群。
[0028]进一步地,所述步骤3中,具体包括利用各个个体的电路性能参数和代价函数F
cost
,得到种群中各个个体的cost值，即代价值。
[0029]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于规则引导的遗传算法的集成电路优化方法，其特征在于，其实现方法是将电路设计规则嵌入到传统的遗传算法中，用设计规则引导的确定方向的变异替代传统的随机变异。该方法能够用规模有限的采样点，以更高的效率找到符合电路性能参数的全局最优解。包括步骤如下：步骤1：获取初始种群，设定该初始种群为当前种群；步骤2：种群评估，即通过对当前种群中的各个个体进行并行SPICE仿真，得到种群中各个个体的电路性能参数；步骤3：计算当前种群中各个个体的cost值，并选取cost值最小的个体为该种群中的最优个体；步骤4：判断该种群中的最优个体是否满足优化终止条件，若满足，则优化结束，输出当前种群中cost值最小的个体，包含其相应的电路设计变量及其电路性能参数，否则，进入步骤5；步骤5：种群选择，即根据cost值选取初始种群中的优良个体；步骤6：种群交叉，即在种群的优良个体中随机选取一对个体作为父本和母本，利用交叉算子进行交叉产生新的个体，保存交叉后的个体及其父母在种群中的位置信息；步骤7：通过判断各个个体的随机变异概率，进行种群变异方式选择，若该个体的随机变异概率大于预先设定的总变异率，则不对该个体进行变异操作，直接放入下一代种群，进入步骤9；若该个体的随机变异概率小于预先设定的总变异率且大于预先设定的规则变异率，则对该个体进行传统的随机变异操作，产生新的个体，加入到下一代种群，进入步骤9；若该个体的随机变异概率小于预先设定的规则变异率，则对该个体进行规则引导的变异操作，进入步骤8；步骤8：规则引导的基因变异，即通过对即将进行规则引导的变异操作的个体，根据电路设计规则，按照设计目标的重要性程度，将不满足设计指标要求的个体进行替换，加入到下一代种群；步骤9：重复步骤2至步骤7；步骤10：得到优化结果。2.如权利要求1所述的一种基于规则引导的遗传算法的集成电路优化方法，其特征在于，所述步骤1中，获取初始种群，具体包括：通过正交拉丁方的方法，在设计空间中进行采样得到用于遗传算法的初始种群。3.如权利要求1所述的一种基于规则引导的遗传算法的集成电路优化方法，其特征在于，所述步骤3中,具体包括利用各个个体的电路性能参数和代价函数F
cost
,得到种群中各个个体的cost值，即代价值。4.如权利要求3所述的一种基于规则引导的遗传算法的集成电路优化方法，其特征在于，所述代价函数F
cost
为：式中，N为电路待优化性能指标的个数，n＝1,2,
…
N；P
n
为针对第n个电路性能参数，SPICE仿真结果与...

【专利技术属性】
技术研发人员：周冉冉，黄颜鑫，周飞，王永，
申请(专利权)人：山东大学，
类型：发明
国别省市：