【技术实现步骤摘要】
本专利技术属于模拟电路，更为具体地讲，涉及一种基于粒子群算法的模拟电路激励电压向量优选方法。
技术介绍
1、随着电路板集成度和元器件复杂度呈现指数式增长，对其可控性、可测性和可观察性的要求越来越高，对测试的要求也越来越严格，这导致了芯片故障测试难度和成本的提高。
2、为了解决这一问题，人们在设计阶段就开始考虑芯片可测性，以保证自动测试向量生成(automatic test pattern generation，atpg)过程得以有效进行。随着atpg方法的发展，由atpg生成的测试向量集也被应用于更多的研究测试中：将测试向量发送到待测电路上并获取测试响应，再通过分析测试向量和测试响应来诊断电路故障。但由于生成的测试向量集通常规模庞大，其中可能包含大量的冗余测试向量，所以对测试电路的成本也会有较大影响。
3、要想获得良好的故障检测效果，测试向量集的质量至关重要，因此必须探索一种在较短时间内生成高故障覆盖率的高质量测试向量集的方法。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于粒子群算法的模拟电路激励电压向量优选方法，通过建立缺陷模型，结合激励电压向量对模拟电路响应不同的特性，并利用粒子群算法实现了激励电压向量的优选，从而以尽可能少的测试向量实现尽可能高的故障覆盖率，提高故障诊断的精度和效率，对降低模拟的测试成本有着重要的现实意义。
2、为了实现上述专利技术目的，本专利技术基于粒子群算法的模拟电路激励电压向量优选方法包括以下
3、s1：将模拟电路中所有mos管元件的栅极结点作为测点，记测点数量为t；根据实际情况确定模拟电路的缺陷，记其数量为m；记模拟电路中电压源的数量为c，第c个电压源在电路中的标称值记为xmax,c，c＝1,2,…,c；
4、s2：将缺陷列表defect_list中的缺陷注入至模拟电路对应的spice网表中；
5、s3：基于粒子群算法确定最优激励电压向量，具体步骤包括：
6、s3.1：以激励电压向量x＝[x1,x2,…,xc]作为粒子群中的粒子位置，其中xc表示第c个电压源的电压值，取值范围为[0,xmax,c]；记种群的个体数量为k，采用随机赋值的方式初始化种群中的每个粒子位置，从而构成初始种群p；记初始种群p中每个粒子位置为表示第一代粒子群第k个粒子中第c个电压源的电压值；
7、采用随机赋值的方式初始化种群中每个粒子的速度为表示第一代粒子群的第k个粒子中第c个电压源的电压值对应的速度，的取值范围为[-αxmax,c,αxmax,c]，α表示预设的比例值，取值范围为(0,1)；
8、s3.2：初始化迭代次数t＝1；
9、s3.3：对于当前种群中每个粒子，将该粒子的位置所代表的激励电压向量作为待测电路中电压源的电压值，对模拟电路的spice网表进行直流分析，得到无缺陷时所有测点的静态工作点电压值以及在各个缺陷条件下所有测点的静态工作点电压值m表示当前缺陷列表defect_list中的缺陷数量；然后根据如下公式计算得到该粒子的适应度fk：
10、
11、其中，a、b表示预设的系数和偏置；
12、s3.4：当t＝1，则令每个粒子的个体最优解当t＞1则判断当前粒子位置的适应度是否大于个体最优解pbestk对应的适应度，如果是，则更新个体最优解否则个体最优解保持不变；
13、s3.5：当t＝1，则将初始粒子群中适应度最大的粒子的位置作为全局最优解gbestk，当t＞1则从当前粒子群中筛选出适应度最大的粒子，判断其适应度是否大于个体全局最优解gbest对应的适应度，如果是，则更新全局最优解gbest为该粒子位置，否则全局最优解保持不变；
14、s3.6：采用如下公式更新惯性权重wt+1：
15、wt+1＝wmax-(wmax-wmin)×t/gen
16、其中，wmax、wmin分别表示预设的惯性权重最大值和最小值，gen表示预设的最大迭代次数；
17、然后采用如下公式更新粒子的速度，得到更新后的速度
18、
19、其中，c1、c2表示学习因子，r1、r2表示0～1之间的随机数；
20、采用如下公式对更新后的速度中每个值进行边界检查：
21、
22、采用如下公式更新粒子的位置，得到更新后的位置
23、
24、采用如下公式对更新后的位置中每个值进行边界检查：
25、
26、s3.7：判断是否全局最优解gbest的适应度是否大于等于缺陷数量m，如果不是，进入步骤s3.8，否则进入步骤s3.10；
27、s3.8：判断是否迭代次数t＜gen，如果是，进入步骤s3.9，否则进入步骤s3.10；
28、s3.9：令t＝t+1，返回步骤s3.4；
29、s3.10：将当前全局最优解gbest对应的粒子位置作为本轮寻优得到的最优激励电压向量，将该激励电压向量所能检测的缺陷从缺陷列表defect_list中删除；
30、s4：判断本轮粒子群寻优后缺陷列表defect_list是否为空或是否保持不变，如果均不满足，则返回步骤s2，如果任意一项满足，则进入步骤s5；
31、s5：将当前得到的所有最优激励电压向量构成最优激励电压向量集，用于模拟电路测试。
32、本专利技术基于粒子群算法的模拟电路激励电压向量优选方法，首先在模拟电路中确定测点、缺陷和电压源，将当前缺陷列表defect_list注入至模拟电路对应的spice网表中，将激励电压向量作为粒子群中的粒子位置，基于粒子群算法确定最优激励电压向量，并将其所能检测的缺陷从缺陷列表defect_list中删除，然后再次执行粒子群算法，直到缺陷列表defect_list为空或保持不变，则将当前得到的所有最优激励电压向量构成最优激励电压向量集，用于模拟电路测试。
33、本专利技术通过建立缺陷模型，结合激励电压向量对模拟电路响应不同的特性，并利用粒子群算法实现了激励电压向量的优选，从而以尽可能少的测试向量实现尽可能高的故障覆盖率，提高故障诊断的精度和效率，对降低模拟电路的测试成本有着重要的现实意义。实验结果表明，使用本专利技术优选得到的测试向量集能实现更高的故障覆盖率，并且保证所得测试向量集中不包含冗余的测试向量，显著降低了测试成本，提高了测试效率。
本文档来自技高网...【技术保护点】
1.一种基于粒子群算法的模拟电路激励电压向量优选方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于粒子群算法的模拟电路激励电压...
【专利技术属性】
技术研发人员：黄欣红，温涵宇，张棋皓，陈涵，杨成林，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。