CN109033611A - 一种vlsi多端点线网绕障碍的布线方法 - Google Patents

一种vlsi多端点线网绕障碍的布线方法 Download PDF

Info

Publication number
CN109033611A
CN109033611A CN201810805343.3A CN201810805343A CN109033611A CN 109033611 A CN109033611 A CN 109033611A CN 201810805343 A CN201810805343 A CN 201810805343A CN 109033611 A CN109033611 A CN 109033611A
Authority
CN
China
Prior art keywords
particle
iter
obstacle
point
wiring
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.)
Granted
Application number
CN201810805343.3A
Other languages
English (en)
Other versions
CN109033611B (zh
Inventor
董晨
熊子奇
黄辉昌
林诗洁
郭文忠
陈景辉
张凡
贺国荣
叶尹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201810805343.3A priority Critical patent/CN109033611B/zh
Publication of CN109033611A publication Critical patent/CN109033611A/zh
Application granted granted Critical
Publication of CN109033611B publication Critical patent/CN109033611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本发明涉及一种VLSI多端点线网绕障碍的布线方法，其特征在于：包括以下步骤：步骤S1:读取障碍信息；步骤S2:根据障碍信息，利用matlab绘制障碍框；步骤S3:采用改进粒子群算法构建斯坦纳树，并得到最优解；步骤S4:根据最优解对该解表示的斯坦纳树树进行布线，并记录布线过程；步骤S5:根据布线过程记录，对在布线过程中重复布线部分进行修正，去除生成树中重复了两次到三次的布线长度，并计算通孔数，得到最优布线。本发明实现高效精准并且绕障碍的全局布线，适用于超大规模集成电路多端点线网绕障碍布线。

Description

一种VLSI多端点线网绕障碍的布线方法
技术领域
本发明涉及一种VLSI多端点线网绕障碍的布线方法。
背景技术
随着集成电路规模不断增加，集成度不断提高，芯片特征尺寸不断减小，势不可挡的集成电路发展趋势，导致片上互连线长度越来越长，分布越来越密集，占用面积越来越大，布线工作越来越复杂。以上诸多因素似的互连线带来的时延占整个芯片时延的60％以上，对芯片性能产生严重影响。互连线效应成为集成电路性能的瓶颈，高效精准的布线是提高电路性能的关键。
而在实际布线过程中，由于宏模块、知识产权(IP)模块以及预布线等都将成为障碍，然而到目前为止，人们的研究多集中于无障碍的情况，相比之下，对于带障碍的最小矩形斯坦纳树(Minimum Rectangular Steiner Tree,MRST)方法的研究还相对较少，有必要进入深入的研究。针对布线的实际应用，考虑障碍情况进行斯坦纳树构造方法的研究是布线中的关键问题之一，具有很大的实际意义。
发明内容
有鉴于此，本发明的目的在于提供一种VLSI多端点线网绕障碍的布线方法，用以解决原始粒子群算法容易陷入局部最优，并且在中后期容易陷入停滞不更新的缺陷。
为实现上述目的，本发明采用如下技术方案：
一种VLSI多端点线网绕障碍的布线方法，其特征在于：包括以下步骤：
步骤S1:读取障碍信息；
步骤S2:根据障碍信息，利用matlab绘制障碍框；
步骤S3:采用改进粒子群算法构建斯坦纳树，并得到最优解；
步骤S4:根据最优解对该解表示的斯坦纳树树进行布线，并记录布线过程；
步骤S5:根据布线过程记录，对在布线过程中重复布线部分进行修正，去除生成树中重复了两次到三次的布线长度，并计算通孔数，得到最优布线。
进一步的，所述障碍信息包括初始坐标点和初始障碍点
进一步的，所述步骤S3具体为：
步骤S31:根据初始坐标点数和初始障碍点数计算最大的迭代次数和待生成的种群粒子数；
步骤S32:混沌生成初始粒子群,其中一半数量的粒子采用randint函数随机生成，另外一半数量的粒子通过将解空间划分生成，共产生par_num个粒子，其中i个粒子对应的位置Xi和速度Vi；
步骤S33:采用迭代算法计算最优解。
进一步的，所述步骤S33具体为：
步骤1:开始迭代算法,从第一代到第max_iter代,当前代为第iter代；
步骤2:计算惯性权值；根据粒子k的适应度fitnessi在种群中的排序randk_ix(k)和当前迭代次数iter，采用的是线性递增策略与对粒子进行针对优化的策略结合计算粒子的惯性权值；线性递增策略(0.2+0.5*(iter/max_iter))有助于保证粒子群的整体收敛；对粒子进行针对优化(0.6*rank_ix(k)/par_num)有助于帮助每个粒子找到适合自己的惯性权值，使得较优粒子在附近寻找，较劣粒子在更大范围搜索；根据公式(1)计算这次迭代每个粒子的惯性权值Wi:
W(rank_ix(k))＝0.2+0.5*(iter/max_iter)+0.6*rank_ix(k)/par_num (1)
步骤3:计算加速系数，对c1采用的是线性权值递减策略进行更新，即公式(2)，根据c1与c2之和在4以内有利于收敛，将c2用公式(3)更新；
c1＝2.5-0.8*iter/max_iter (2)
c2＝4-c1 (3)
步骤4:采用重组遗传算法，判断种群全局最优值是否15代未发生变化来决定是否对粒子群进行随机重组过程；
步骤5:对粒子群进行这次迭代，其中粒子数为par_num个，当前粒子为第i个；
步骤6:根据公式(4)更新粒子的速度Vi，根据公式(5)更新粒子的位置Xi；
Vi+1＝Wi·Vi+c1·rand()·(pi-Xi)+c2·rand()·(pg-Xi) (4)
Xi+1＝Xi&Vi+1 (5)
其中，pi是第i个粒子迄今为止搜索到的最优位置称为个体极值；pg是整个种群迄今为止搜索到的最优位置为全局极值；W是惯性权值，c1,，c2是加速因子，rand()是(0,1)之间的随机数；
步骤S336:采用变异遗传算法，迭代次数iter达到总迭代次数max_iter的30％后，如果满足一个随机概率，则随机产生行号和序列号k，令粒子Xi中xjk＝1；
步骤7:填充初始点，选中要连接的目标点，将粒子在矩阵中对应的位置令为1；
步骤8:去除无意义点,除去由初始点构成的多边形外围的点和在障碍中生成的点；
步骤9:计算点与点的距离；在计算距离时，如果端点间没有障碍，
则将以两点为矩形的对角点，距离为该矩形周长的一半；如果端
点间连线一定有经过障碍物，判断怎么绕障碍使得距离最短。
步骤10:利用贪心策略的prime算法，构造最小生成树；
步骤11：根据适应度函数式计算粒子的适应度值fitness；fitnessi表示第i个粒子的适应度，该适应度表示由p条变构成的斯坦纳树所有边的长度总和，lk代表第k条边的长度；
步骤12：对每个粒子Xi，比较它目前位置和它经历过的最好位置pi，若目前位置更好，则更新pi；比较它目前位置和种群中的最好位置pg,若目前位置更好，则更新pg；
步骤13：判断当前代是否结束，如没有，返回步骤5进行下一个粒子的更新操作；若结束，记录当前代得到的最优解，判断是否到达最后一次迭代，即itermax_iter，若是，进行输出最优解；否则，转入步骤2进行下一轮迭代。
本发明与现有技术相比具有以下有益效果：
1.本发明提出了一种具有均匀收敛，防止早熟、快速寻优的改进PSO算法，适用于超大规模集成电路多端点线网绕障碍布线的方法；
2.本发明创造增加绕障碍布线方法，在实际应用中，具有更好的可行性、合理性和优良性。
3.本发明在原始粒子群上引入惯性权值，该惯性权值既考虑了种群总体迭代过程的特点，又考虑到了种群中每个粒子的特点，惯性权值的改进思想对收敛速度及寻优能力有很大的改进，并具有极强的跳出局部极值能力。
4.本发明在综合粒子群算法在后期的停滞更新特点与遗传算法的可塑造性，结合了遗传算法的两种策略进行迭代，这种改进思路极大的提高了算法的后期寻优能力。
5.本发明提出的结合遗传算法的粒子群优化算法，该算法对目前电路中绝大部分线网都能精准快速的找到最优解，而对于电路中小部分端点极多的线网，也能在一定时限内找到十分接近最优解的近似最优布线解。
附图说明
图1是本发明方法流程图；
图2是本发明一实施例中初始点坐标文档图；
图3是本发明一实施例中障碍点坐标文档图；
图4是本发明一实施例中绘制初始点和障碍框图；
图5是本发明一实施例中重复布线策略的适用情形图；
图6是本发明一实施例中采用策略的布线方案图；
图7是本发明一实施例中不采用策略的布线方案图；
图8是本发明一实施例中减少拐点策略的适用情形图；
图9是本发明一实施例中采用策略的布线方案图；
图10是本发明一实施例中不采用策略的布线方案图；
图11是本发明一实施例中全局布线实验效果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种VLSI多端点线网绕障碍的布线方法，其特征在于：包括以下步骤：
步骤S1:读取障碍信息；共point_num个初始坐标点，和共block_num个初始障碍点；
步骤S2:根据障碍信息，利用matlab绘制障碍框；
步骤S3:采用改进粒子群算法构建斯坦纳树，并得到最优解；
步骤S4:根据最优解对该解表示的斯坦纳树树进行布线，并记录布线过程；在布线过程中，尽可能重复利用布线，记录布线过程，例如图5所示，两红色*号为待连接的两端点，蓝线为已经布的线，现在连接两端点采取的是图6而不是图7；尽可能减少拐点数，在绕障碍时尽可能不贴合障碍边进行布线，如图8所示，两红色*号为待连接的两端点，绿色填充区域为障碍块，现在连接两端点采取的是图9而不是图10；
步骤S5:根据布线过程记录，对在布线过程中重复布线部分进行修正，去除生成树中重复了两次到三次的布线长度，并计算通孔数，得到最优布线。
进一步的，所述障碍信息包括初始坐标点和初始障碍点
进一步的，所述步骤S3具体为：
步骤S31:根据初始坐标点数和初始障碍点数计算最大的迭代次数和待生成的种群粒子数；
步骤S32:混沌生成初始粒子群,其中一半数量的粒子采用randint函数随机生成，另外一半数量的粒子通过将解空间划分生成，共产生par_num个粒子，其中i个粒子对应的位置Xi和速度Vi；
步骤S33:采用迭代算法计算最优解。
进一步的，所述步骤S33具体为：
步骤1:开始迭代算法,从第一代到第max_iter代,当前代为第iter代；
步骤2:计算惯性权值；根据粒子k的适应度fitnessi在种群中的排序randk_ix(k)和当前迭代次数iter，采用的是线性递增策略与对粒子进行针对优化的策略结合计算粒子的惯性权值；线性递增策略(0.2+0.5*(iter/max_iter))有助于保证粒子群的整体收敛；对粒子进行针对优化(0.6*rank_ix(k)/par_num)有助于帮助每个粒子找到适合自己的惯性权值，使得较优粒子在附近寻找，较劣粒子在更大范围搜索；根据公式(1)计算这次迭代每个粒子的惯性权值Wi:
W(rank_ix(k))＝0.2+0.5*(iter/max_iter)+0.6*rank_ix(k)/par_num (1)
步骤3:计算加速系数，对c1采用的是线性权值递减策略进行更新，即公式(2)，根据c1与c2之和在4以内有利于收敛，将c2用公式(3)更新；
c1＝2.5-0.8*iter/max_iter (2)
c2＝4-c1 (3)
步骤4:采用重组遗传算法，判断种群全局最优值是否15代未发生变化来决定是否对粒子群进行随机重组过程；
步骤5:对粒子群进行这次迭代，其中粒子数为par_num个，当前粒子为第i个；
步骤6:根据公式(4)更新粒子的速度Vi，根据公式(5)更新粒子的位置Xi；
Vi+1＝Wi·Vi+c1·rand()·(pi-Xi)+c2·rand()·(pg-Xi) (4)
Xi+1＝Xi&Vi+1 (5)
其中，pi是第i个粒子迄今为止搜索到的最优位置称为个体极值；pg是整个种群迄今为止搜索到的最优位置为全局极值；W是惯性权值，c1,，c2是加速因子，rand()是(0,1)之间的随机数；
步骤S336:采用变异遗传算法，迭代次数iter达到总迭代次数max_iter的30％后，如果满足一个随机概率，则随机产生行号和序列号k，令粒子Xi中xjk＝1；
步骤7:填充初始点，选中要连接的目标点，将粒子在矩阵中对应的位置令为1；
步骤8:去除无意义点,除去由初始点构成的多边形外围的点和在障碍中生成的点；
步骤9:计算点与点的距离；在计算距离时，如果端点间没有障碍，
则将以两点为矩形的对角点，距离为该矩形周长的一半；如果端
点间连线一定有经过障碍物，判断怎么绕障碍使得距离最短。
步骤10:利用贪心策略的prime算法，构造最小生成树；
步骤11：根据适应度函数式计算粒子的适应度值fitness；fitnessi表示第i个粒子的适应度，该适应度表示由p条变构成的斯坦纳树所有边的长度总和，lk代表第k条边的长度；
步骤12：对每个粒子Xi，比较它目前位置和它经历过的最好位置pi，若目前位置更好，则更新pi；比较它目前位置和种群中的最好位置pg,若目前位置更好，则更新pg；
步骤13：判断当前代是否结束，如没有，返回步骤5进行下一个粒子的更新操作；若结束，记录当前代得到的最优解，判断是否到达最后一次迭代，即iter＝＝max_iter，若是，进行输出最优解；否则，转入步骤2进行下一轮迭代。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种VLSI多端点线网绕障碍的布线方法，其特征在于：包括以下步骤：
步骤S1:读取障碍信息；
步骤S2:根据障碍信息，利用matlab绘制障碍框；
步骤S3:采用改进粒子群算法构建斯坦纳树，并得到最优解；
步骤S4:根据最优解对该解表示的斯坦纳树树进行布线，并记录布线过程；
步骤S5:根据布线过程记录，对在布线过程中重复布线部分进行修正，去除生成树中重复了两次到三次的布线长度，并计算通孔数，得到最优布线。
2.根据权利要求1所述的一种VLSI多端点线网绕障碍的布线方法，其特征在于：所述障碍信息包括初始坐标点数和初始障碍点。
3.根据权利要求2所述的一种VLSI多端点线网绕障碍的布线方法，其特征在于：所述步骤S3具体为：
步骤S31:根据初始坐标点和初始障碍点数计算最大的迭代次数和待生成的种群粒子数；
步骤S32:混沌生成初始粒子群,其中一半数量的粒子采用randint函数随机生成，另外一半数量的粒子通过将解空间划分生成，共产生par_num个粒子，其中i个粒子对应的位置Xi和速度Vi；
步骤S33:采用迭代算法计算最优解。
4.根据权利要求3所述的一种VLSI多端点线网绕障碍的布线方法，其特征在于：所述步骤S33具体为：
步骤1:开始迭代算法,从第一代到第max_iter代,当前代为第iter代；
步骤2:计算惯性权值；根据粒子k的适应度fitnessi在种群中的排序randk_ix(k)和当前迭代次数iter，采用的是线性递增策略与对粒子进行针对优化的策略结合计算粒子的惯性权值；线性递增策略(0.2+0.5*(iter/max_iter))有助于保证粒子群的整体收敛；对粒子进行针对优化(0.6*rank_ix(k)/par_num)有助于帮助每个粒子找到适合自己的惯性权值，使得较优粒子在附近寻找，较劣粒子在更大范围搜索；根据公式(1)计算这次迭代每个粒子的惯性权值Wi:
W(rank_ix(k))＝0.2+0.5*(iter/max_iter)+0.6*rank_ix(k)/par_num
(1)
步骤3:计算加速系数，对c1采用的是线性权值递减策略进行更新，即公式(2)，根据c1与c2之和在4以内有利于收敛，将c2用公式(3)更新；
c1＝2.5-0.8*iter/max_iter
(2)
c2＝4-c1
(3)
步骤4:采用重组遗传算法，判断种群全局最优值是否15代未发生变化来决定是否对粒子群进行随机重组过程；
步骤5:对粒子群进行这次迭代，其中粒子数为par_num个，当前粒子为第i个；
步骤6:根据公式(4)更新粒子的速度Vi，根据公式(5)更新粒子的位置Xi；
Vi+1＝Wi·Vi+c1·rand()·(pi-Xi)+c2·rand()·(pg-Xi) (4)
Xi+1＝Xi&Vi+1
(5)
其中，pi是第i个粒子迄今为止搜索到的最优位置称为个体极值；pg是整个种群迄今为止搜索到的最优位置为全局极值；W是惯性权值，c1,，c2是加速因子，rand()是(0,1)之间的随机数；
步骤S336:采用变异遗传算法，迭代次数iter达到总迭代次数max_iter的30％后，如果满足一个随机概率，则随机产生行号和序列号k，令粒子Xi中xjk＝1；
步骤7:填充初始点，选中要连接的目标点，将粒子在矩阵中对应的位置令为1；
步骤8:去除无意义点,除去由初始点构成的多边形外围的点和在障碍中生成的点；
步骤9:计算点与点的距离；
步骤10:利用贪心策略的prime算法，构造最小生成树；
步骤11：根据适应度函数式计算粒子的适应度值fitness；fitnessi表示第i个粒子的适应度，该适应度表示由p条变构成的斯坦纳树所有边的长度总和，lk代表第k条边的长度；
步骤12：对每个粒子Xi，比较它目前位置和它经历过的最好位置pi，若目前位置更好，则更新pi；比较它目前位置和种群中的最好位置pg,若目前位置更好，则更新pg；
步骤13：判断当前代是否结束，如没有，返回步骤5进行下一个粒子的更新操作；若结束，记录当前代得到的最优解，判断是否到达最后一次迭代，即iter＝＝max_iter，若是，进行输出最优解；否则，转入步骤2进行下一轮迭代。
CN201810805343.3A 2018-07-20 2018-07-20 一种vlsi多端点线网绕障碍的布线方法 Active CN109033611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810805343.3A CN109033611B (zh) 2018-07-20 2018-07-20 一种vlsi多端点线网绕障碍的布线方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810805343.3A CN109033611B (zh) 2018-07-20 2018-07-20 一种vlsi多端点线网绕障碍的布线方法

Publications (2)

Publication Number Publication Date
CN109033611A true CN109033611A (zh) 2018-12-18
CN109033611B CN109033611B (zh) 2023-04-07

Family

ID=64644844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810805343.3A Active CN109033611B (zh) 2018-07-20 2018-07-20 一种vlsi多端点线网绕障碍的布线方法

Country Status (1)

Country Link
CN (1) CN109033611B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147632A (zh) * 2019-05-30 2019-08-20 福州大学 一种考虑非均匀轨道和障碍物的拓扑匹配总线布线方法
CN110276376A (zh) * 2019-05-14 2019-09-24 嘉兴职业技术学院 一种基于超元启发算法的人群信息聚类方法
CN110795908A (zh) * 2019-10-30 2020-02-14 福州大学 偏差驱动的总线感知总体布线方法
CN112766574A (zh) * 2021-01-20 2021-05-07 西安微电子技术研究所 一种整机内部布线路径优化方法
CN117787172A (zh) * 2023-12-27 2024-03-29 苏州异格技术有限公司 布线资源图的构建方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5491641A (en) * 1993-10-04 1996-02-13 Lsi Logic Corporation Towards optical steiner tree routing in the presence of rectilinear obstacles
CN103324796A (zh) * 2013-06-21 2013-09-25 福州大学 一种大规模集成电路设计中的绕障直角斯坦纳树构造方法
CN103902775A (zh) * 2014-03-31 2014-07-02 福州大学 超大规模集成电路多层绕障Steiner最小树构造方法
CN103984789A (zh) * 2014-01-26 2014-08-13 福州大学 大规模集成电路设计中基于线长最短优化的绕障布线方法
CN106681135A (zh) * 2017-01-17 2017-05-17 桂林电子科技大学 一种基于混合水滴算法的线缆布线路径搜索方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5491641A (en) * 1993-10-04 1996-02-13 Lsi Logic Corporation Towards optical steiner tree routing in the presence of rectilinear obstacles
CN103324796A (zh) * 2013-06-21 2013-09-25 福州大学 一种大规模集成电路设计中的绕障直角斯坦纳树构造方法
CN103984789A (zh) * 2014-01-26 2014-08-13 福州大学 大规模集成电路设计中基于线长最短优化的绕障布线方法
CN103902775A (zh) * 2014-03-31 2014-07-02 福州大学 超大规模集成电路多层绕障Steiner最小树构造方法
CN106681135A (zh) * 2017-01-17 2017-05-17 桂林电子科技大学 一种基于混合水滴算法的线缆布线路径搜索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘耿耿等: "求解VLSI布线问题的离散粒子群优化算法", 《万方数据期刊库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276376A (zh) * 2019-05-14 2019-09-24 嘉兴职业技术学院 一种基于超元启发算法的人群信息聚类方法
CN110147632A (zh) * 2019-05-30 2019-08-20 福州大学 一种考虑非均匀轨道和障碍物的拓扑匹配总线布线方法
CN110147632B (zh) * 2019-05-30 2020-11-10 福州大学 一种考虑非均匀轨道和障碍物的拓扑匹配总线布线方法
CN110795908A (zh) * 2019-10-30 2020-02-14 福州大学 偏差驱动的总线感知总体布线方法
WO2021082867A1 (zh) * 2019-10-30 2021-05-06 福州大学 偏差驱动的总线感知总体布线方法
CN110795908B (zh) * 2019-10-30 2022-12-13 福州大学 偏差驱动的总线感知总体布线方法
CN112766574A (zh) * 2021-01-20 2021-05-07 西安微电子技术研究所 一种整机内部布线路径优化方法
CN112766574B (zh) * 2021-01-20 2023-06-09 西安微电子技术研究所 一种整机内部布线路径优化方法
CN117787172A (zh) * 2023-12-27 2024-03-29 苏州异格技术有限公司 布线资源图的构建方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN109033611B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109033611A (zh) 一种vlsi多端点线网绕障碍的布线方法
CN110851272B (zh) 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN110795908B (zh) 偏差驱动的总线感知总体布线方法
Wang et al. Latency-aware mapping for 3D NoC using rank-based multi-objective genetic algorithm
WO2019154215A1 (zh) 机器人运行路径生成方法、计算设备及存储介质
CN112801414B (zh) 一种装配式建筑构件排产优化方法及系统
CN109684731A (zh) 一种高效的详细布线驱动轨道分配算法
CN113591427B (zh) 考虑单位移动和复杂布线约束的增量三维全局布线方法
CN101034482A (zh) 复杂构件三维自适应有限元网格自动生成方法
CN107153889B (zh) 水质采样巡航船路径规划最优化方法
CN114491881A (zh) 一种功率模块的衬底设计方法、装置和终端设备
CN114721402A (zh) 一种基于改进蚁群算法的泊车路径规划方法及系统
CN109211242A (zh) 一种融合rrt与蚁群算法的三维空间多目标路径规划方法
CN113094857B (zh) 一种节能的软件定义车辆网络的控制器布局方法
CN112183001B (zh) 一种基于超图的集成电路的多级聚类方法
Fu et al. Congestion-aware dynamic elevator assignment for partially connected 3D-NoCs
CN117278578A (zh) 一种片上网络高速数据采集系统数据传输路径优化的方法
Fernando et al. An elitist non-dominated sorting based genetic algorithm for simultaneous area and wirelength minimization in VLSI floorplanning
CN105764088B (zh) 一种基于遗传算法的tdoa蜂窝定位方法
CN111931993A (zh) 一种输电网接线图生成方法及系统
CN103942195B (zh) 一种数据处理系统以及数据处理方法
CN116523379A (zh) 一种电力系统改进碳排放追踪与评估方法
CN111881327A (zh) 基于顶点重排序与优先缓存的大数据处理能力测试方法
Zhu et al. Application of multi adaptive particle swarm optimization in robot path planning
Li et al. Research on dynamic switch migration strategy based on fmopso

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant