一种用于芯片研制的多目标优化方法技术

本发明专利技术公开了一种用于芯片研制的多目标优化方法，包括：获取芯片研制过程目标优化的控制参数；获取初始种群，基于初始种群获得最优解集合并存储；采用全局搜索与局部搜索的方式更新初始种群得到优化种群，并更新最优解集合；重复步骤三，直至达到终止条件停止更新并输出最优解集合，获得最佳方案。本发明专利技术结合非支配排序与拥挤距离，在保留最优解的前提下还保持了解的多样性；引入PSO算法来帮助引领蜂阶段获得具有良好收敛性能的全局最佳解集；引入DE的差分进化运算，并采用基于Pareto秩和拥挤距离的适应度分配策略，避免解分布不均匀的问题，采取精英策略，避免最优解丢失；提高研制进度，降低成本，保证质量，适应市场需求。适应市场需求。适应市场需求。

【技术实现步骤摘要】
一种用于芯片研制的多目标优化方法


[0001]本专利技术属于芯片研制
，特别是涉及一种用于芯片研制的多目标优化方法。

技术介绍

[0002]近年来，由于资讯相关产业的高度发展以及人们求快求新求变的时代趋势，各式各样的电子及资讯产品不断出炉，而现有的产品也不断翻新样式或者更新版本，芯片则是产品更新换代得到改进的关键。
[0003]芯片制造是一层层向上叠加的，最高可达上百次叠加。每一次的叠加，都必须和前一次完美重叠，重叠误差要求是1～2纳米。芯片制作完整过程包括芯片设计、晶片制作、封装制作、成本测试等几个环节，其中晶片制作过程尤为的复杂。精密的芯片其制造过程非常的复杂首先是芯片设计，根据设计的需求，生成的“图样”。以往，芯片设计与制造业者对于一个新的芯片产品，其设计到生产以及验证再设计的过程步骤繁琐复杂，现有的研制过程无法兼顾芯片质量、研制周期以及研制成本。

技术实现思路

[0004]本专利技术的目的是提供一种用于芯片研制的多目标优化方法，以解决上述现有技术存在的问题，提高研制进度，降低成本，保证质量，适应市场需求。
[0005]为实现上述目的，本专利技术提供了一种用于芯片研制的多目标优化方法，包括：
[0006]步骤一：获取芯片研制过程目标优化的控制参数；
[0007]步骤二：获取初始种群，基于所述初始种群获得最优解集合并存储；
[0008]步骤三：采用全局搜索与局部搜索的方式更新初始种群得到优化种群，并更新所述最优解集合；
[0009]步骤四：重复进行步骤三，直至达到终止条件停止更新并输出最优解集合，获得芯片研制最佳方案，所述终止条件包括：超出最大迭代次数或达到误差允许值。
[0010]可选的，所述步骤一中的控制参数包括活动信息与初始参数，其中，所述活动信息包括芯片研制的活动优先级关系、活动持续时间、活动成本、活动质量绩效指数以及活动执行模式，所述初始参数包括决策变量下限、决策变量上限、最大迭代次数、初始种群大小。
[0011]可选的，基于所述初始参数中的决策变量下限、决策变量上限以及初始种群大小获得所述初始种群。
[0012]可选的，所述步骤二中的最优解集合的获取过程包括：对所述初始种群中的解进行排序并循环分级，最优解集合为初始种群中分级最高的解的集合。
[0013]可选的，基于个体的Pareto优势关系对所述种群进排序并循环分级，过程包括：首先计算每个解的适应度值，然后根据适应度值将每个解按升序排序。
[0014]可选的，所述步骤三中的全局搜索的过程包括：获取全局最佳位置，基于全局最佳位置进行全局搜索，更新初始种群与最优解集合，所述全局最佳位置为初始种群中的全局
最优解。
[0015]可选的，所述步骤三中的局部搜索的过程包括：计算最优解集合中每个解的选择概率值，基于所述选择概率值对最优解集合中的每个解进行评估，若解的选择概率值超过概率阈值，则对解进行变异、交叉操作生成对应的新解，选取新解与原解中适应度值最高的解存储到最优解集合中，更新初始种群与最优解集合，其中，所述概率阈值为区间[0,1]内随机产生一个数，基于贪婪标准进行选取，基于适应度值获得选择概率值。
[0016]可选的，变异操作的过程包括：从最优解集合中随机选取两个解，并将更新后的初始种群中的最优解作为目标向量，基于变异因子、目标向量及选取的两个解进行变异操作，获得变异向量。
[0017]可选的，交叉操作的过程包括：基于交叉算子、所述变异向量、所述最优解获得试验向量。
[0018]可选的，所述步骤三中的最优解集合的更新过程还包括：当超过探索限值时，集合中所有未被更新的解均生成随机解替代，所述探索限值为预设值。
[0019]本专利技术的技术效果为：
[0020]本专利技术提供一种用于芯片研制的多目标优化方法，结合非支配排序与拥挤距离，在保留最优解的前提下还保持了解的多样性；引入PSO算法来帮助引领蜂阶段获得具有良好收敛性能的全局最佳解集；引入DE的差分进化运算，并采用基于Pareto秩和拥挤距离的适应度分配策略，避免解分布不均匀的问题，采取精英策略，避免最优解丢失；提高研制进度，降低成本，保证质量，适应市场需求。
附图说明
[0021]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0022]图1为本专利技术实施例中的基于NS
‑
MOHABC的基本框架；
[0023]图2为本专利技术实施例中的方法流程示意图。
具体实施方式
[0024]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0025]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0026]实施例一
[0027]本实施例提出的NS
‑
MOHABC算法是对基本ABC算法的扩展，遵循ABC算法的基本框架。该算法主要由初始化阶段、引领蜂阶段、观察蜂阶段、侦查蜂阶段和一个外部档案组成。详细描述如下：
[0028]如图1所示，本实施例中提供一种用于芯片研制的多目标优化方法，包括：
[0029](1)初始化阶段
[0030]初始化阶段包括设置芯片研制过程目标优化的控制参数，初始种群(蜜源)的生
成，以及对初始解的排序。首先随机生成SN个解(蜜源位置)的初始种群来开始搜索过程。SN也等于引领蜂或跟随蜂的数目。芯片研制项目三大目标权衡问题的解可以表示为具有D个元素的向量，即
[0031]X＝[X
i,1
,X
i,1
,
…
,X
i,D
]ꢀꢀ
(1)
[0032]其中D是决策变量的数量，它等于芯片研制项目网络中活动的数量。向量X
ij
表示活动j的一种执行模式，它是在[1,M
j
](j＝1,2,
…
,D)范围内的整数。初始种群依据如下公式生成，
[0033]x
ij
＝LB
j
+rand[0,1]×
(UB
j
‑
LB
j
)
ꢀꢀ
(2)
[0034]式中，x
ij
表示初始种群中第i个决策变量(蜜源位置)；LB
j
和UB
j
分别表示第i个决策变量的下限和上限；rand[0,1]表示0到1之间均匀分布的随机数。
[0035]一旦创建了初始种群后，就可以使用NSGA
‑
II算法中的排序运算按照Pareto前沿对对它们进行排序分级，并将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于芯片研制的多目标优化方法，其特征在于，包括以下步骤：步骤一：获取芯片研制过程目标优化的控制参数；步骤二：获取初始种群，基于所述初始种群获得最优解集合并存储；步骤三：采用全局搜索与局部搜索的方式更新初始种群得到优化种群，并更新所述最优解集合；步骤四：重复进行步骤三，直至达到终止条件停止更新并输出最优解集合，获得芯片研制最佳方案，所述终止条件包括：超出最大迭代次数或达到误差允许值。2.根据权利要求1所述的用于芯片研制的多目标优化方法，其特征在于，所述步骤一中的控制参数包括活动信息与初始参数，其中，所述活动信息包括芯片研制的活动优先级关系、活动持续时间、活动成本、活动质量绩效指数以及活动执行模式，所述初始参数包括决策变量下限、决策变量上限、最大迭代次数、初始种群大小。3.根据权利要求2所述的用于芯片研制的多目标优化方法，其特征在于，基于所述初始参数中的决策变量下限、决策变量上限以及初始种群大小获得所述初始种群。4.根据权利要求1所述的用于芯片研制的多目标优化方法，其特征在于，所述步骤二中的最优解集合的获取过程包括：对所述初始种群中的解进行排序并循环分级，最优解集合为初始种群中分级最高的解的集合。5.根据权利要求4所述的用于芯片研制的多目标优化方法，其特征在于，基于个体的Pareto优势关系对所述种群进排序并循环分级，过程包括：首先计算每个解的适应度值，然后根据适应度值将每个解按升序排序。6...

【专利技术属性】
技术研发人员：周云飞，
申请(专利权)人：西安财经大学，
类型：发明
国别省市：