CN104809285B - 一种基于遗传算法的led电极结构的优化系统及方法 - Google Patents
一种基于遗传算法的led电极结构的优化系统及方法 Download PDFInfo
- Publication number
- CN104809285B CN104809285B CN201510195490.XA CN201510195490A CN104809285B CN 104809285 B CN104809285 B CN 104809285B CN 201510195490 A CN201510195490 A CN 201510195490A CN 104809285 B CN104809285 B CN 104809285B
- Authority
- CN
- China
- Prior art keywords
- growth
- electrode
- grid
- mrow
- led chip
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Led Devices (AREA)
Abstract
本发明涉及一种基于遗传算法的LED电极结构的优化系统，包括分割模块、初始值赋值模块、编码模块、电极赋值模块和优化模块；还涉及一种基于遗传算法的LED电极结构的优化方法，包括，步骤A：根据LED芯片的尺寸大小将LED芯片的表面分割成多个等大的网格；步骤B：选定非电极状态，其所对应的代码统一作为各个网格中的初始值；步骤C：形成多个电极区域块；步骤D：对形成的电极区域块进行赋值，形成正电极区域块和负电极区域块；步骤E：对生成的电极区域块进行优化计算；本发明设计电极结构是不需要预先给定电极结构的大致图形，也不需要建立复杂的电磁学方程，测定ITO，GaN的光电参数，通过遗传算法优化就能获得综合性能优异的LED电极结构。
Description
技术领域
本发明涉及LED芯片电极设计技术领域，尤其涉及一种基于遗传算法的LED电极结构的优化系统及方法。
背景技术
随着LED在这照明领域的深入发展，提高LED芯片的亮度和可靠性越来越重要，水平结构的LED芯片是目前市场上的主流产品，优秀的电极结构能大幅度提高这种芯片发光效率和可靠性，因此寻求一种好的电极结构设计方法非常必要。
水平结构的LED芯片，电极和和芯片出光面在芯片的同一侧，因此电极结构既要避免电流的丛聚效应，又要减小电极对出射光线的阻挡。目前，市面上已有的电极结构大都是利用商业软件中的有限元的方法来模拟设计的(如：ANSYS等软件)。这种设计方法需预先给出图形，建立模型与电磁场方程，然后计算，根据结果再对设计的图形进行修改。这样设计的电极结构的效果强烈依赖于预先给定的图形，及所建立的模型的准确性。考虑到图形的多样性与准确模型的难以获得，利用有限元的方法来设计电极存在着缺陷。
遗传算法模拟自然界种生物进化而产生。若将电流类比树叶内液体输运，出光类比光合作用，则LED芯片与树叶类有许多相似之处，因此利用遗传算法来优化LED电极结构存在可行性。
发明内容
本发明所要解决的技术问题是提供一种基于遗传算法的LED电极结构的优化系统及方法，通过遗传算法优化能获得综合性能优异的LED电极结构。
本发明解决上述技术问题的技术方案如下：一种基于遗传算法的LED芯片电极结构的优化系统，包括分割模块、初始值赋值模块、编码模块、电极赋值模块和优化模块，
所述分割模块，用于根据LED芯片的尺寸大小将LED芯片的表面分割成多个等大的网格；
所述初始值赋值模块，用于根据LED芯片中包含的正电极、负电极和非电极的三种状态，并用三种代码对应所述三种状态表示，并选定非电极状态，其所对应的代码统一作为各个网格中的初始值；
所述编码模块，用于从分割的网格中选取任一网格作为生长初始点，利用生长规则编译出该网格包含生长信息的编码串，再根据所述编码串的生长信息形成多个电极区域块；
所述电极赋值模块，用于利用随机数算法对形成的电极区域块进行赋值，将正电极和负电极对应的代码写入相应的网格中代替原网格的状态，从而形成正电极区域块和负电极区域块，并根据编码串的信息计算出正电极区域块的边缘至负电极区域块的边缘的平均距离；
所述优化模块，用于对生成的电极区域块进行优化计算，利用LED的综合性能公式作为适应度，得到最优的电极结构：
其中，F1、F2、B表示电极面积和电流分布在LED综合性能指数w中所占的权重；A表示由p,n型氮化镓的厚度、电阻率以及透明导电电极的厚度和电阻率参数共同对电流均匀性影响的折合系数，χ表示各个电极区域块所占面积，P0表示总出光功率，J0表示正电极边缘的电流密度正负电极间的距离，d表示正电极区域块的边缘至负电极区域块的边缘的平均距离。
本发明的有益效果是：设计电极结构是不需要预先给定电极结构的大致图形，也不需要建立复杂的电磁学方程，测定ITO，GaN的光电参数，通过遗传算法优化就能获得综合性能优异的LED电极结构；LED芯片尺寸变化时，重新设计简单，只需重新划分网格计算，就可以完成设计，简化了设计步骤。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述正电极、负电极和非电极的三种状态转换成对应的代码为1、2和0。
进一步，所述编码串的生长信息包括生长步数、生长方向、生长步长和各个生长初始点的坐标值。
进一步，所述编码模块包括选取单元、编码单元、初级生长单元和次级生长单元；
所述选取单元，用于从分割的网格中选取任一网格作为生长初始点，以该网格的四个顶角为生长方向进行延伸，再将网格的四个顶角从左下角顺时针进行编码；
所述编码单元，用于利用生长规则对该网格的生长步数和生长步长进行编码，即用n个数组(D,L)记录生长的信息，其中n为生长步数，D为生长方向，L为生长步长，并记录每个生长初始点的坐标值，从而得到编码串；
所述初级生长单元，用于根据编码串的信息将选取的网格的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将延伸形成的各网格的对角线连接成一条直线，并圈出包含该对角线的正方形区域，从而形成初级电极区域块；
所述次级生长单元，用于将初级电极区域块作为次级电极区域块的生长初始点，选择该初级电极区域块的一个顶角作为生长方向，并根据生长步长 L进行生长延伸至第L个网格中，并将所述次级电极区域块延伸形成的各网格的对角线连接成一条直线，圈出包含该对角线的正方形区域，从而形成新的电极区域块。
进一步，所述选取单元中，将网格的四个顶角从左下角顺时针进行编码，分别用0、1、2和3表示生长方向。
本发明解决上述技术问题的另一技术方案如下：一种基于遗传算法的LED芯片电极结构的优化方法，包括如下步骤：
步骤A：根据LED芯片的尺寸大小将LED芯片的表面分割成多个等大的网格；
步骤B：根据LED芯片中包含的正电极、负电极和非电极的三种状态，并用三种代码对应所述三种状态表示，并选定非电极状态，其所对应的代码统一作为各个网格中的初始值；
步骤C：从分割的网格中选取任一网格作为生长初始点，利用生长规则编译出该网格包含生长信息的编码串，再根据所述编码串的生长信息形成多个电极区域块；
步骤D：利用随机数算法对形成的电极区域块进行赋值，将正电极和负电极对应的代码写入相应的网格中代替原网格的状态，从而形成正电极区域块和负电极区域块，并根据编码串的信息计算出正电极区域块的边缘至负电极区域块的边缘的平均距离；
步骤E：对生成的电极区域块进行优化计算，利用LED的综合性能公式作为适应度，得到最优的电极结构：
其中，F1、F2、B表示电极面积和电流分布在LED综合性能指数w中所占的权重；A表示由p,n型氮化镓的厚度、电阻率以及透明导电电极的厚度和电阻率参数共同对电流均匀性影响的折合系数，χ表示各个电极区域块所 占面积，P0表示总出光功率，J0表示正电极边缘的电流密度正负电极间的距离，d表示正电极区域块的边缘至负电极区域块的边缘的平均距离。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，步骤B中，所述正电极、负电极和非电极的三种状态转换成对应的代码为1、2和0。
进一步，所述编码串的生长信息包括生长步数、生长方向、生长步长和各个生长初始点的坐标值。
进一步，步骤C中，形成多个电极区域块的具体实现方法为：
步骤C1：从分割的网格中选取任一网格作为生长初始点，以该网格的四个顶角为生长方向进行延伸，再将网格的四个顶角从左下角顺时针进行编码；
步骤C2：利用生长规则对该网格的生长步数和生长步长进行编码，即用n个数组(D,L)记录生长的信息，其中n为生长步数，D为生长方向，L为生长步长，并记录每个生长初始点的坐标值，从而得到编码串；
步骤C3：根据编码串的信息将选取的网格的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将延伸形成的各网格的对角线连接成一条直线，并圈出包含该对角线的正方形区域，从而形成初级电极区域块；
步骤C4：将初级电极区域块作为次级电极区域块的生长初始点，选择该初级电极区域块的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将所述次级电极区域块延伸形成的各网格的对角线连接成一条直线，圈出包含该对角线的正方形区域，从而形成新的电极区域块。
进一步，所述步骤C1中，将网格的四个顶角从左下角顺时针进行编码，分别用0、1、2和3表示生长方向。
对生成的电极区域块进行优化计算，以电极的编码串为染色体，通过选择，交叉，变异的步骤进行优化，获得较佳的电极结构：
选择的步骤：以LED芯片的综合性能指数W当作适应度，以轮盘赌方法按照概率进行选择，优先选择适应度高的个体，进入下一代。
交叉的步骤：在前面选择出的个体中，随机两两进行配对，以电极的编码串中的位置、步长、方向、步数为基本基因单元，进行随机交换，形成新的个体。
变异的步骤：小概率变异原则，在新形成的个体中，随机选取极少的个体进行变异，变异的对象是电极编码串中的基本单元；
从而通过选择、交叉、变异三步形成新的一代。
附图说明
图1为本发明LED芯片电极结构的优化系统的模块框图；
图2为本发明LED芯片电极结构的优化方法的方法流程图；
图3为本发明LED芯片的各个网格的初始状态图；
图4为本发明LED芯片的正电极区域块的状态图；
图5为本发明对生长方向编码的示意图。
附图中，各标记所代表的部件名称如下：
1、分割模块，2、初始值赋值模块，3、编码模块，4、电极赋值模块，5、优化模块，301、选取单元，302、编码单元，303、初级生长单元，304、次级生长单元。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种基于遗传算法的LED芯片电极结构的优化系统，包括分割模块1、初始值赋值模块2、编码模块3、电极赋值模块4和优化模块5，
所述分割模块1，用于根据LED芯片的尺寸大小将LED芯片的表面分割成多个等大的网格；
所述初始值赋值模块2，用于根据LED芯片中包含的正电极、负电极和非电极的三种状态，并用三种代码对应所述三种状态表示，并选定非电极状态，其所对应的代码统一作为各个网格中的初始值；
所述编码模块3，用于从分割的网格中选取任一网格作为生长初始点，利用生长规则编译出该网格包含生长信息的编码串，再根据所述编码串的生长信息形成多个电极区域块；
所述电极赋值模块4，用于利用随机数算法对形成的电极区域块进行赋值，将正电极和负电极对应的代码写入相应的网格中代替原网格的状态，从而形成正电极区域块和负电极区域块，并根据编码串的信息计算出正电极区域块的边缘至负电极区域块的边缘的平均距离；
所述优化模块5，用于对生成的电极区域块进行优化计算，利用LED的综合性能公式作为适应度，得到最优的电极结构：
其中，F1、F2、B表示电极面积和电流分布在LED综合性能指数w中所占的权重；A表示由p,n型氮化镓的厚度、电阻率以及透明导电电极的厚度和电阻率参数共同对电流均匀性影响的折合系数，χ表示各个电极区域块所占面积， P0表示总出光功率，J0表示正电极边缘的电流密度正负电极间的距离，d表示正电极区域块的边缘至负电极区域块的边缘的平均距离。
W算出的值为LED综合性能指数的适应度，值越大就说明其对应的电极结构性能越好。
所述正电极、负电极和非电极的三种状态转换成对应的代码为1、2和0。
所述编码串的生长信息包括生长步数、生长方向、生长步长和各个生长初始点的坐标值。
所述编码模块3包括选取单元301、编码单元302、初级生长单元303和次级生长单元304；
所述选取单元301，用于从分割的网格中选取任一网格作为生长初始点，以该网格的四个顶角为生长方向进行延伸，再将网格的四个顶角从左下角顺时针进行编码；
所述编码单元302，用于利用生长规则对该网格的生长步数和生长步长进行编码，即用n个数组(D,L)记录生长的信息，其中n为生长步数，D为生长方向，L为生长步长，并记录每个生长初始点的坐标值，从而得到编码串；
所述初级生长单元303，用于根据编码串的信息将选取的网格的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将延伸形成的各网格的对角线连接成一条直线，并圈出包含该对角线的正方形区域，从而形成初级电极区域块；
所述次级生长单元304，用于将初级电极区域块作为次级电极区域块的生长初始点，选择该初级电极区域块的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将所述次级电极区域块延伸形成的各网格的对角线连接成一条直线，圈出包含该对角线的正方形区域，从而形成新的电极区域块。
所述选取单元中，将网格的4个顶角从左下角顺时针进行编码，分别用0、1、2和3表示生长方向。
如图2所示，一种基于遗传算法的LED芯片电极结构的优化方法，其特征在于，包括如下步骤：
步骤A：根据LED芯片的尺寸大小将LED芯片的表面分割成多个等大的网格；
步骤B：根据LED芯片中包含的正电极、负电极和非电极的三种状态，并用三种代码对应所述三种状态表示，并选定非电极状态，其所对应的代码统一作为各个网格中的初始值；
步骤C：从分割的网格中选取任一网格作为生长初始点，利用生长规则编译出该网格包含生长信息的编码串，再根据所述编码串的生长信息形成多个电极区域块；
步骤D：利用随机数算法对形成的电极区域块进行赋值，将正电极和负电极对应的代码写入相应的网格中代替原网格的状态，从而形成正电极区域块和负电极区域块，并根据编码串的信息计算出正电极区域块的边缘至负电极区域块的边缘的平均距离；
步骤E：对生成的电极区域块进行优化计算，利用LED的综合性能公式作为适应度，得到最优的电极结构：
其中，F1、F2、B表示电极面积和电流分布在LED综合性能指数w中所占的权重；A表示由p,n型氮化镓的厚度、电阻率以及透明导电电极的厚度和电阻率参数共同对电流均匀性影响的折合系数，χ表示各个电极区域块所占面积， P0表示总出光功率，J0表示正电极边缘的电流密度正负电极间的距离，d表示正电极区域块的边缘至负电极区域块的边缘的平均距离。
LED芯片尺寸变化时，重新设计简单，只需重新划分网格计算，就可以完成设计，简化了设计步骤。
步骤B中，所述正电极、负电极和非电极的三种状态转换成对应的代码为1、2和0。
如图3所示，选定非电极状态，其所对应的代码为“0”统一作为各个网格中的初始值；
所述编码串的生长信息包括生长步数、生长方向、生长步长和各个生长初始点的坐标值。
步骤C中，形成多个电极区域块的具体实现方法为：
步骤C1：从分割的网格中选取任一网格作为生长初始点，以该网格的四个顶角为生长方向进行延伸，再将网格的四个顶角从左下角顺时针进行编码；
步骤C2：利用生长规则对该网格的生长步数和生长步长进行编码，即用n个数组(D,L)记录生长的信息，其中n为生长步数，D为生长方向，L为生长步长，并记录每个生长初始点的坐标值，从而得到编码串；
步骤C3：根据编码串的信息将选取的网格的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将延伸形成的各网格的对角线连接成一条直线，并圈出包含该对角线的正方形区域，从而形成初级电极区域块；
步骤C4：将初级电极区域块作为次级电极区域块的生长初始点，选择该初级电极区域块的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将所述次级电极区域块延伸形成的各网格的对角线连接成一条直线，圈出包含该对角线的正方形区域，从而形成新的电极区域块。
如图5所示，所述步骤C1中，将网格的四个顶角从左下角顺时针进行编码，分别用0、1、2和3表示生长方向。
如图4所示，假设随机产生的一个正电极编码是：初始坐标是(8，4)生长了4步，n＝4，分别对应的生长方向和生长步长为：(1，1)(2，2)(3，3)(2，1)，即生长方向D为1，2，3，2；生长步长L为1，2，3，1。
对生成的电极区域块进行优化计算，以电极的编码串为染色体，通过选择，交叉，变异的步骤进行优化，获得较佳的电极结构：
选择的步骤：以LED芯片的综合性能指数W当作适应度，以轮盘赌方法按照概率进行选择，优先选择适应度高的个体，进入下一代。
交叉的步骤：在前面选择出的个体中，随机两两进行配对，以电极的编码串中的位置、步长、方向、步数为基本基因单元，进行随机交换，形成新的个体。
变异的步骤：小概率变异原则，在新形成的个体中，随机选取极少的个体进行变异，变异的对象是电极编码串中的基本单元；
从而通过选择、交叉、变异三步形成新的一代。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于遗传算法的LED芯片电极结构的优化系统，其特征在于，包括分割模块(1)、初始值赋值模块(2)、编码模块(3)、电极赋值模块(4)和优化模块(5)，
所述分割模块(1)，用于根据LED芯片的尺寸大小将LED芯片的表面分割成多个等大的网格；
所述初始值赋值模块(2)，用于根据LED芯片中包含的正电极、负电极和非电极的三种状态，并用三种代码对应所述三种状态表示，并选定非电极状态，其所对应的代码统一作为各个网格中的初始值；
所述编码模块(3)，用于从分割的网格中选取任一网格作为生长初始点，利用生长规则编译出该网格包含生长信息的编码串，再根据所述编码串的生长信息形成多个电极区域块；
所述电极赋值模块(4)，用于利用随机数算法对形成的电极区域块进行赋值，将正电极和负电极对应的代码写入相应的网格中代替原网格的状态，从而形成正电极区域块和负电极区域块，并根据编码串的信息计算出正电极区域块的边缘至负电极区域块的边缘的平均距离；
所述优化模块(5)，用于对生成的电极区域块进行优化计算，利用LED的综合性能公式作为适应度，得到最优的电极结构：
<mrow>
<mi>w</mi>
<mo>=</mo>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>&chi;</mi>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mo>&CenterDot;</mo>
<mfrac>
<mi>B</mi>
<mrow>
<msub>
<mi>J</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mi>A</mi>
<mi>d</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，F1、F2、B表示电极面积和电流分布在LED综合性能指数w中所占的权重；A表示由p,n型氮化镓的厚度、电阻率以及透明导电电极的厚度和电阻率参数共同对电流均匀性影响的折合系数，χ表示各个电极区域块所占面积，P0表示总出光功率，J0表示正电极边缘的电流密度正负电极间的距离，d表示正电极区域块的边缘至负电极区域块的边缘的平均距离。
2.根据权利要求1所述的基于遗传算法的LED芯片电极结构的优化系统，其特征在于，所述正电极、负电极和非电极的三种状态转换成对应的代码为1、2和0。
3.根据权利要求1所述的基于遗传算法的LED芯片电极结构的优化系统，其特征在于，所述编码串的生长信息包括生长步数、生长方向、生长步长和各个生长初始点的坐标值。
4.根据权利要求1所述的基于遗传算法的LED芯片电极结构的优化系统，其特征在于，所述编码模块(3)包括选取单元(301)、编码单元(302)、初级生长单元(303)和次级生长单元(304)；
所述选取单元(301)，用于从分割的网格中选取任一网格作为生长初始点，以该网格的四个顶角为生长方向进行延伸，再将网格的四个顶角从左下角顺时针进行编码；
所述编码单元(302)，用于利用生长规则对该网格的生长步数和生长步长进行编码，即用n个数组(D,L)记录生长的信息，其中n为生长步数，D为生长方向，L为生长步长，并记录每个生长初始点的坐标值，从而得到编码串；
所述初级生长单元(303)，用于根据编码串的信息将选取的网格的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将延伸形成的各网格的对角线连接成一条直线，并圈出包含该对角线的正方形区域，从而形成初级电极区域块；
所述次级生长单元(304)，用于将初级电极区域块作为次级电极区域块的生长初始点，选择该初级电极区域块的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将所述次级电极区域块延伸形成的各网格的对角线连接成一条直线，圈出包含该对角线的正方形区域，从而形成新的电极区域块。
5.根据权利要求4所述的基于遗传算法的LED芯片电极结构的优化系统，其特征在于，所述选取单元中，将网格的四个顶角从左下角顺时针进行编码，分别用0、1、2和3表示生长方向。
6.一种基于遗传算法的LED芯片电极结构的优化方法，其特征在于，包括如下步骤：
步骤A：根据LED芯片的尺寸大小将LED芯片的表面分割成多个等大的网格；
步骤B：根据LED芯片中包含的正电极、负电极和非电极的三种状态，并用三种代码对应所述三种状态表示，并选定非电极状态，其所对应的代码统一作为各个网格中的初始值；
步骤C：从分割的网格中选取任一网格作为生长初始点，利用生长规则编译出该网格包含生长信息的编码串，再根据所述编码串的生长信息形成多个电极区域块；
步骤D：利用随机数算法对形成的电极区域块进行赋值，将正电极和负电极对应的代码写入相应的网格中代替原网格的状态，从而形成正电极区域块和负电极区域块，并根据编码串的信息计算出正电极区域块的边缘至负电极区域块的边缘的平均距离；
步骤E：对生成的电极区域块进行优化计算，利用LED的综合性能公式作为适应度，得到最优的电极结构：
<mrow>
<mi>w</mi>
<mo>=</mo>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>&chi;</mi>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mo>&CenterDot;</mo>
<mfrac>
<mi>B</mi>
<mrow>
<msub>
<mi>J</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mi>A</mi>
<mi>d</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，F1、F2、B表示电极面积和电流分布在LED综合性能指数w中所占的权重；A表示由p,n型氮化镓的厚度、电阻率以及透明导电电极的厚度和电阻率参数共同对电流均匀性影响的折合系数，χ表示各个电极区域块所占面积，P0表示总出光功率，J0表示正电极边缘的电流密度正负电极间的距离，d表示正电极区域块的边缘至负电极区域块的边缘的平均距离。
7.根据权利要求6所述的基于遗传算法的LED芯片电极结构的优化方法，其特征在于，步骤B中，所述正电极、负电极和非电极的三种状态转换成对应的代码为1、2和0。
8.根据权利要求6所述的基于遗传算法的LED芯片电极结构的优化方法，其特征在于，所述编码串的生长信息包括生长步数、生长方向、生长步长和各个生长初始点的坐标值。
9.根据权利要求6所述的基于遗传算法的LED芯片电极结构的优化方法，其特征在于，步骤C中，形成多个电极区域块的具体实现方法为：
步骤C1：从分割的网格中选取任一网格作为生长初始点，以该网格的四个顶角为生长方向进行延伸，再将网格的四个顶角从左下角顺时针进行编码；
步骤C2：利用生长规则对该网格的生长步数和生长步长进行编码，即用n个数组(D,L)记录生长的信息，其中n为生长步数，D为生长方向，L为生长步长，并记录每个生长初始点的坐标值，从而得到编码串；
步骤C3：根据编码串的信息将选取的网格的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将延伸形成的各网格的对角线连接成一条直线，并圈出包含该对角线的正方形区域，从而形成初级电极区域块；
步骤C4：将初级电极区域块作为次级电极区域块的生长初始点，选择该初级电极区域块的一个顶角作为生长方向，并根据生长步长L进行生长延伸至第L个网格中，并将所述次级电极区域块延伸形成的各网格的对角线连接成一条直线，圈出包含该对角线的正方形区域，从而形成新的电极区域块。
10.根据权利要求9所述的基于遗传算法的LED芯片电极结构的优化方法，其特征在于，所述步骤C1中，将网格的四个顶角从左下角顺时针进行编码，分别用0、1、2和3表示生长方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510195490.XA CN104809285B (zh) | 2015-04-22 | 2015-04-22 | 一种基于遗传算法的led电极结构的优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510195490.XA CN104809285B (zh) | 2015-04-22 | 2015-04-22 | 一种基于遗传算法的led电极结构的优化系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104809285A CN104809285A (zh) | 2015-07-29 |
| CN104809285B true CN104809285B (zh) | 2017-10-24 |
Family
ID=53694102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510195490.XA Active CN104809285B (zh) | 2015-04-22 | 2015-04-22 | 一种基于遗传算法的led电极结构的优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104809285B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6574783B1 (en) * | 1999-06-23 | 2003-06-03 | Institute Of High Performance Computing | IC chip planning method based on dynamic parallel genetic algorithm and speckle model |
| CN101777118A (zh) * | 2010-03-16 | 2010-07-14 | 刘国传 | 一种基于参数化变形模板的生物芯片图像样点自动识别方法 |
| CN104331557A (zh) * | 2014-10-30 | 2015-02-04 | 桂林航天工业学院 | 采用模糊遗传算法优化两层埋入式电阻布局的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008084409A (ja) * | 2006-09-27 | 2008-04-10 | Shinka System Sogo Kenkyusho:Kk | 不良救済判定装置および不良救済判定方法 |
-
2015
- 2015-04-22 CN CN201510195490.XA patent/CN104809285B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6574783B1 (en) * | 1999-06-23 | 2003-06-03 | Institute Of High Performance Computing | IC chip planning method based on dynamic parallel genetic algorithm and speckle model |
| CN101777118A (zh) * | 2010-03-16 | 2010-07-14 | 刘国传 | 一种基于参数化变形模板的生物芯片图像样点自动识别方法 |
| CN104331557A (zh) * | 2014-10-30 | 2015-02-04 | 桂林航天工业学院 | 采用模糊遗传算法优化两层埋入式电阻布局的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《A novel adaptive mutative scale optimization algorithm based on chaos genetic method and its optimization efficiency evaluation》;王禾军，鄂加强，邓飞其;《Journal of Central South University》;20120915;第2554-2560页 * |
| 《基于改进遗传算法的电极优化方法的研究》;刘研;《机械设计与制造》;20100430(第4期);第51-53页 * |
| 《基于遗传算法的LED芯片快速定位系统》;吴晓;《常熟理工学院学报（自然科学）》;20130331;第27卷(第2期);第89-92页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104809285A (zh) | 2015-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103714145B (zh) | 关系型和Key-Value型数据库空间数据索引方法 | |
| CN103176272B (zh) | 二维光子晶体最大绝对带隙结构优化方法 | |
| CN104809658A (zh) | 一种低压配网台区线损的快速分析方法 | |
| CN102831474A (zh) | 基于量子粒子群优化改进的模糊c-均值聚类方法 | |
| CN110135585A (zh) | 一种南方红壤区小流域水土保持生态服务功能优化方法 | |
| CN110390360A (zh) | 基于遗传算法的矩形块排样顺序确定方法和装置 | |
| CN113010620B (zh) | 基于地理多级网格的自然资源数据索引统计方法及系统 | |
| CN105488589A (zh) | 一种基于遗传模拟退火算法的电网线损管理评价方法 | |
| CN104809285B (zh) | 一种基于遗传算法的led电极结构的优化系统及方法 | |
| CN107067035B (zh) | 协同演化算法优化的支持向量机湿地遥感分类方法 | |
| CN105653670A (zh) | 一种基于流形学习聚类算法的智能用电数据挖掘方法 | |
| Subramanian et al. | Optimization of effective doping concentration of emitter for ideal c-Si solar cell device with PC 1 D simulation | |
| CN103035801A (zh) | 一种led图形优化衬底及led芯片 | |
| CN102176500B (zh) | 降低GaN外延生长位错集中的微纳米结构及其应用 | |
| CN115841230A (zh) | 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法 | |
| CN202996886U (zh) | 一种经图案优化的led芯片的图形化衬底及led芯片 | |
| CN102375914A (zh) | 一种利用二维光子晶体提高c波段led出光效率的方法 | |
| CN107153804A (zh) | 一种带定位区的堆叠式二维码及其生成和识别方法 | |
| CN108829943A (zh) | 一种航天器太阳电池阵布片方案的优化方法 | |
| CN202996889U (zh) | 一种优化的led图形化衬底及led芯片 | |
| CN103617206A (zh) | 基于自适应小生境的遗传聚类方法 | |
| CN202996888U (zh) | 一种led图形优化衬底及led芯片 | |
| CN104021211B (zh) | 一种土壤空间数据制图的注记生成方法 | |
| CN209016066U (zh) | Perc电池钝化膜开模图形、perc太阳能电池以及perc太阳能组件 | |
| CN203085629U (zh) | 一种led以及侧壁图形化的led芯片 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |