【技术实现步骤摘要】
本专利技术属于进化计算与超大规模集成电路领域，具体涉及一种大规模多目标模拟芯片电路进化优化设计方法。
技术介绍
1、维数灾难是从一开始就困扰着科学家的难题，从计算线性代数和机器学习到数值优化，解决维数灾难问题一直是计算科学领域许多研究工作的核心。在数值优化的背景下，维度诅咒是由输入变量数量增加时搜索空间大小的指数增长引起的。近年来，这种情况被松散地称为“大规模优化”或“大规模全局优化”。全局一词是为了强调启发式和元启发式的作用，尤其是在连续优化的背景下。
2、近年来，基于群体的元启发式算法在解决大规模全局优化问题方面也越来越受欢迎。尽管普遍存在计算成本高的批评，但并行计算的普及使得种群规模和迭代成本的问题变得次要，因为它们具有处理多模态景观、欺骗性函数的独特能力和一般搜索能力。最近的研究表明，进化算法是一种基于种群的元启发式算法，可以与主导深度学习领域的经典优化方法相媲美。进化算法在解决数百万甚至数十亿变量的问题时也表现出了强大的能力，而在这些问题上，经典算法被证明是低效的。
3、显式方法将问题结构信息转化为显式形式，如变量交互矩阵或树，并利用它们将问题分解为一系列低维子问题，或设计尊重问题结构的特殊变异算子，如交叉算子。在大规模全局优化中广为流行的一种显式方法是合作协同进化（cooperative co-evolution,cc）。cc 框架要求将问题分解为一系列低维子问题，每个子问题单独优化。cc 框架为每个子问题（又称组件）维护一个单独的群体，这些群体以循环方式共同进化。由于每个组件的候选解并不能形
4、摩尔定律是以英特尔公司联合创始人戈登-摩尔的名字命名的，它预言集成电路上的晶体管密度大约每两年翻一番。在过去的五十年里，芯片上的晶体管数量按照摩尔定律呈指数级增长。半导体行业一直遵循这一定律指导研发工作。然而，随着晶体管特征尺寸进一步缩小到极限尺寸（如 10 纳米及以上），半导体行业在实现高可制造性和高可靠性方面正面临着巨大的挑战。此外，在设计过程中往往需要适当选择独立的设计参数，因此，优化过程使用这些参数作为变量来搜索最优解。然而，由于晶体管数量的指数级增长所带来的维度诅咒，该过程往往效果不佳。
5、因此，需要设计一种属于超大规模集成电路领域的优化设计方法对超大规模集成电路进行快速且有效的优化。
技术实现思路
1、本专利技术的目的在于提供一种大规模多目标模拟芯片电路进化优化设计方法，用以对具有大规模特性的电路进行优化设计并提高电路的性能。本专利技术具体提出一种将电路参数表征为决策变量，使用差分分组模块对决策变量进行分组，并通过具有置信度自适应策略的不同优化方法对不同的分组进行合作协同进化的方法。
2、为实现上述目的，本专利技术采用的技术方案为：
3、一种大规模多目标模拟芯片电路进化优化设计方法，包括以下步骤：
4、步骤1：构建表征元器件参数的决策变量：能表征元器件参数的决策变量包括实际待优化大规模集成电路中各晶体管内可变元器件的参数；
5、步骤2：初次优化：初始化决策变量的值为待优化大规模集成电路的初始元器件参数，初次迭代时采用大规模进化算法进行优化，得到一组新的决策变量值；
6、步骤3：差分分组：将初次优化得到的新的决策变量值与优化目标送入差分分组模块，由差分分组模块输出每个表征电路元器件参数的决策变量所处的组；
7、步骤4：自适应合作协同进化：按照差分分组模块对决策变量的分组结果，不同分组的决策变量采用不同策略的大规模进化算法进行优化，同时在优化过程中加入置信度自适应策略进行合作自适应优化，以自适应调整表征电路元器件参数的决策变量的分组；
8、步骤5：优化后电路质量评估（结果适应度评估）：优化结果直接调用实际工程仿真软件接口，由仿真软件输出优化目标结果；
9、步骤6：将上述步骤4-步骤5多次重复，迭代至优化目标已达到最优或者达到最大迭代次数，得到优化结果。
10、进一步的，所述大规模多目标模拟芯片电路进化优化设计方法，所述构建表征元器件参数的决策变量包括：确定待优化大规模集成电路中元器件与功能模块参数是否可变、确定元器件和功能模块参数的可变范围。
11、进一步的，所述大规模多目标模拟芯片电路进化优化设计方法，所述自适应合作协同进化其特征在于，使用包括但不限于多目标粒子群算法mopso、多目标遗传算法nsga2和其他智能优化领域内的多目标进化算法，除初次迭代之外的迭代按照差分分组模块对决策变量的分组结果，对属于不同组别的表征元器件参数的决策变量采用不同的优化方法，同时在优化算法中加入分组模块置信度自适应策略进行自适应合作协同优化。
12、更进一步的，所述大规模多目标模拟芯片电路进化优化设计方法，所述差分分组模块其特征在于，对单个表征元器件参数的决策变量与优化目标分别进行差分运算，根据差分运算的不同结果将表征元器件参数的决策变量进行分组。
13、最后，所述大规模多目标模拟芯片电路进化优化设计方法，所述优化后电路质量评估其特征在于，算法的优化过程直接调用实际工程所用的仿真软件进行仿真与结果评估。
14、本专利技术的有益效果如下：
15、1.差分分组模块采用决策变量与优化目标间的向前差分信息对决策变量进行分组，能够清晰地反应决策变量与优化目标间变化趋势的一致性。
16、2.针对属于不同差分分组的决策变量采用具有不同策略的优化算法进行自适应合作协同进化，能够将高维的问题分解为一组低维子问题，对问题进行降维。
17、3.优化算法添加分组模块置信度自适应策略以自适应调整决策变量的分组，增加了分组模块的分组结果可信度与结果的严谨性。
本文档来自技高网...【技术保护点】
1.一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述构建表征元器件参数的决策变量具体为：确定所述元器件参数是否可变与确定元器件参数的可变范围。
3.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述大规模进化算法包括但不限于多目标粒子群算法MOPSO、伪梯度下降策略多目标粒子群算法MOPSO、多目标遗传算法NSGA2和其他智能优化领域内的多目标进化算法。
4.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述大规模进化算法为伪梯度下降策略多目标粒子群算法MOPSO，具体过程如下：
5.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述置信度自适应策略采用自适应权重法对差分分组模块分组结果的置信度进行自适应评估，具体为：给所有表征元器件参数的决策变量分配相同的初始权重并将权重上限设置为初始权重值，在进化过程中，如果差分分组模块对于
6.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述差分分组模块的具体步骤如下：
7.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，在迭代过程中，每隔5次迭代后，再次将当次迭代的表征电路元器件参数的决策变量与优化目标送入差分分组模块，由差分分组模块动态更新每个表征元器件参数的决策变量的分组。
...【技术特征摘要】
1.一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述构建表征元器件参数的决策变量具体为：确定所述元器件参数是否可变与确定元器件参数的可变范围。
3.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述大规模进化算法包括但不限于多目标粒子群算法mopso、伪梯度下降策略多目标粒子群算法mopso、多目标遗传算法nsga2和其他智能优化领域内的多目标进化算法。
4.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述大规模进化算法为伪梯度下降策略多目标粒子群算法mopso，具体过程如下：
5.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述置信度自适应策...
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。