CN110147884A - 一种高效电路拓扑结构进化方法及其系统 - Google Patents
一种高效电路拓扑结构进化方法及其系统 Download PDFInfo
- Publication number
- CN110147884A CN110147884A CN201910260091.5A CN201910260091A CN110147884A CN 110147884 A CN110147884 A CN 110147884A CN 201910260091 A CN201910260091 A CN 201910260091A CN 110147884 A CN110147884 A CN 110147884A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- client
- mutated
- initial population
- population
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000000349 chromosome Anatomy 0.000 claims abstract description 122
- 239000000203 mixture Substances 0.000 claims abstract description 9
- 230000000717 retained effect Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004043 dyeing Methods 0.000 description 3
- 230000003362 replicative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高效电路拓扑结构进化方法及其系统。将电路结构转化成初始种群,客户端对初始种群进行选择和交叉操作后,随机将一个染色体设置为待变异染色体,对待变异染色体进行复制后组成复制种群,并对复制种群进行变异操作,将变异后适应度值最大的变异染色体保留在初始种群中,对初始种群迭代操作完成后获取适应度值最大的染色体得出对应的电路结构。大大加快了变异的效率,并且加快了收敛的速度,快速准确地得出最有的电路结构。
Description
技术领域
本发明涉及数据处理领域,特别是高效电路拓扑结构进化方法及其系统。
背景技术
目前,模拟电路在各种领域中有这广泛的应用,而模拟电路的设计较为多样化,可以用不同的元器件搭配实现相同的功能,因此电路结构是否合理,对模拟电路的效率和生产成本有着直接的影响。为了得到更优的电路结构,目前主要采用仿真软件对电路结构进行模拟,常见的仿真软件通常采用遗传算法,即将每个染色体作为一个可选的电路结构,通过计算出最优染色体的方式得出最优的电路结构。但是现有的遗传算法进行变异时有很大的不确定性,计算效率不高,影响染色体的求解。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种高效电路拓扑结构进化方法及其系统,在实际应用中能够提高变异的效率,快速准确地得出最优的电路结构。
本发明解决其问题所采用的技术方案是:第一方面,本发明提供了一种高效电路拓扑结构进化方法,包括以下步骤:
客户端获取初始种群,对所述初始种群中的染色体进行选择操作和交叉操作;
所述客户端将所述初始种群中的随机一个染色体设置为待变异染色体,对所述待变异染色体进行复制,将复制所得的所有待变异染色体组成复制种群;
所述客户端对所述复制种群中的待变异染色体进行变异,并获取变异后的变异染色体的适应度值,将所述适应度值最大的所述变异染色体保留在初始种群中;
所述客户端对所述初始种群迭代执行上述步骤,若迭代的次数达到完成预先设定的迭代次数,获取适应度值最大的染色体作为电路结构。
进一步,所述客户端通过保留精英策略对所述种群中的染色体进行交叉。
进一步,所述获取变异后的变异染色体的适应度值具体包括以下步骤:
所述客户端将所述变异染色体解码成电路信息;
所述客户端读取缓存,若检测到缓存中已包括所述电路信息的计算结果,读取所述计算结果并设置为适应度值,否则根据所述电路信息计算出适应度值。
进一步,所述客户端将所述变异染色体解码成电路信息还包括:所述客户端根据字典压缩算法对电路信息进行压缩。
进一步,所述客户端对所述初始种群迭代还包括以下步骤:
所述客户端获取记录所获取的适应度值最大的染色体的适应度;
若所述客户端连续记录到数值相同的适应度,且数量达到了预先设定的阈值,所述客户端删除所述初始种群中一半的染色体,获取初始化函数并生成另一半的染色体。
第二方面,本发明提供了一种用于执行高效电路拓扑结构进化方法的系统,包括CPU单元,所述CPU单元用于执行以下步骤:
客户端获取初始种群,对所述初始种群中的染色体进行选择操作和交叉操作;
所述客户端将所述初始种群中的随机一个染色体设置为待变异染色体,对所述待变异染色体进行复制,将复制所得的所有待变异染色体组成复制种群;
所述客户端对所述复制种群中的待变异染色体进行变异,并获取变异后的变异染色体的适应度值,将所述适应度值最大的所述变异染色体保留在初始种群中;
所述客户端对所述初始种群迭代执行上述步骤,若迭代的次数达到完成预先设定的迭代次数,获取适应度值最大的染色体作为电路结构。
进一步,所述CPU单元还用于执行以下步骤:
所述客户端将所述变异染色体解码成电路信息;
所述客户端读取缓存,若检测到缓存中已包括所述电路信息的计算结果,读取所述计算结果并设置为适应度值,否则根据所述电路信息计算出适应度值。
进一步,所述CPU单元还用于执行以下步骤:
所述客户端获取记录所获取的适应度值最大的染色体的适应度;
若所述客户端连续记录到数值相同的适应度,且数量达到了预先设定的阈值,所述客户端删除所述初始种群中一半的染色体,获取初始化函数并生成另一半的染色体。
第三方面,本发明提供了一种高效电路拓扑结构进化设备,包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器;存储器存储有可被至少一个控制处理器执行的指令,指令被至少一个控制处理器执行,以使至少一个控制处理器能够执行如上所述的高效电路拓扑结构进化方法。
第四方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上所述的高效电路拓扑结构进化方法。
第五方面,本发明还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使计算机执行如上所述的高效电路拓扑结构进化方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明采用了一种高效电路拓扑结构进化方法及其系统。将电路结构转化成初始种群,客户端对初始种群进行选择和交叉操作后,随机将一个染色体设置为待变异染色体,对待变异染色体进行复制后组成复制种群,并对复制种群进行变异操作,将变异后适应度值最大的变异染色体保留在初始种群中,对初始种群迭代操作完成后获取适应度值最大的染色体得出对应的电路结构。对比起现有技术,本发明通过复制待变异染色体大大加快了变异的效率,并且加快了收敛的速度,快速准确地得出最优的电路结构。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一提供的一种高效电路拓扑结构进化方法的流程图;
图2是本发明实施例一提供的一种高效电路拓扑结构进化方法中迭代初始种群的流程图;
图3是本发明实施例一提供的一种高效电路拓扑结构进化方法中获取适应度值的流程图;
图4是本发明实施例二提供的一种用于执行高效电路拓扑结构进化方法的系统示意图。
具体实施方式
目前,模拟电路在各种领域中有这广泛的应用,而模拟电路的设计较为多样化,可以用不同的元器件搭配实现相同的功能,因此电路结构是否合理,对模拟电路的效率和生产成本有着直接的影响。为了得到更优的电路结构,目前主要采用仿真软件对电路结构进行模拟,常见的仿真软件通常采用遗传算法,即将每个染色体作为一个可选的电路结构,通过计算出最优染色体的方式得出最优的电路结构。但是现有的遗传算法进行变异时有很大的不确定性,计算效率不高,影响染色体的求解。
基于此,本发明采用了一种高效电路拓扑结构进化方法及其系统。将电路结构转化成初始种群,客户端对初始种群进行选择和交叉操作后,随机将一个染色体设置为待变异染色体,对待变异染色体进行复制后组成复制种群,并对复制种群进行变异操作,将变异后适应度值最大的变异染色体保留在初始种群中,对初始种群迭代操作完成后获取适应度值最大的染色体得出对应的电路结构。对比起现有技术,本发明通过复制待变异染色体大大加快了变异的效率,并且加快了收敛的速度,快速准确地得出最有的电路结构。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
参照图1,本发明的第一实施例提供了一种高效电路拓扑结构进化方法,包括以下步骤:
步骤S100,客户端获取初始种群,对初始种群中的染色体进行选择操作和交叉操作;
步骤S200,客户端将初始种群中的随机一个染色体设置为待变异染色体,对待变异染色体进行复制,将复制所得的所有待变异染色体组成复制种群;
步骤S300,客户端对复制种群中的待变异染色体进行变异,并获取变异后的变异染色体的适应度值,将适应度值最大的变异染色体保留在初始种群中;
步骤S400,客户端对初始种群迭代执行上述步骤,若迭代的次数达到完成预先设定的迭代次数,获取适应度值最大的染色体作为电路结构。
其中,在本实施例中,优选在客户端启动时对电路结构和参数进行编码,使得电路结构转化为客户端可以识别的数据形式,作为第一代的初始种群。
其中,在步骤S200中,由于染色体经过变异后不一定适应能力增强,并且优良染色体经过变异可能适应度值降低,从而导致优良染色体反而被种群淘汰,因此本实施例中优选从种群中选取待变异染色体进行复制,提高了变异的效率,使变异朝着好的方向发展,加快了算法的收敛。
其中,在本实施例的步骤S400中,迭代的次数预先在客户端中进行设定,每执行完一次步骤S100至步骤S300为一次迭代,重复执行直至完成预先设定好的迭代次数,能够确保迭代出的染色体为最佳染色体。
进一步,在本发明的另一个实施例中,客户端通过保留精英策略对种群中的染色体进行交叉。
其中,对染色体的交叉可以采取任意策略,但是各个染色体中的基因之间未必相互独立,如果只是简单地进行交叉,很容易破坏较好的组合。因此本实施例优选采用保留精英策略,即把群体在进化过程中迄今出现的最好染色体不进行交叉而直接复制到下一代中,有利于避免最优染色体不会因为交叉或变异等操作被破坏。
进一步,在本发明的另一个实施例中,获取变异后的变异染色体的适应度值具体包括以下步骤:
步骤S310,客户端将变异染色体解码成电路信息;
步骤S320,客户端读取缓存,若检测到缓存中已包括电路信息的计算结果,读取计算结果并设置为适应度值,否则根据电路信息计算出适应度值。
其中,在本实施例中,为了获得每一代种群中每个染色体的适应度值,可以逐次对适应度进行计算,但是在迭代过程中,很可能会出现连续几次要计算的染色体是同一个染色体,此时重复计算会耗费不必要的资源,因此本实施例优选先判断计算机缓存中是否有该电路信息,如果存在则直接取出缓存中的适应度值即可。
优选地,本实施例中优选通过Hspice仿真软件对电路信息进行计算,把染色体的染色体信息解码为电路信息,即把追踪编码的编码信息进行解码,转换成Hspice可以识别的输入信息;把解码信息写入网表(netlist)文件作为Hspice仿真的输入文件之一;调用系统命令对Hspice进行仿真,并把仿真结果输出在lis文件中;在仿真结果的lis文件中通过正则表达式提取仿真结果;根据适应度值计算表达式来计算染色体适应度值。
进一步,在本发明的另一个实施例中,客户端将变异染色体解码成电路信息还包括:客户端根据字典压缩算法对电路信息进行压缩。
其中,在本实施例中,对电路信息进行压缩可以采用任意方法,本实施例中优选采用字典压缩算法,把需要压缩信息中重复较多的信息用特定的符号来代替,从而达到节省空间的目的。
进一步,在本发明的另一个实施例中,客户端对初始种群迭代还包括以下步骤:
步骤S410,客户端获取记录所获取的适应度值最大的染色体的适应度;
步骤S420,若客户端连续记录到数值相同的适应度,且数量达到了预先设定的阈值,客户端删除初始种群中一半的染色体,获取初始化函数并生成另一半的染色体。
其中,在本实施例中,由于计算过程中很容易陷入局部最优解,即种群中的染色体全部相同。当陷入局部最优解后,传统算法只能通过变异来跳出局部最优解,但是如果仅仅依靠变异来解决这个问题,效率很低,可能需要几十代来变异出新个体,跳出最优解,因此本实施例中优选在客户端中预先设定阈值,若连续获取到相同适应度的染色体,即客户端在一段时间内无法获取更优的染色体,此时可以认定为陷入了局部最优解,因此及时引入新的染色体,保留一半种群,另一半种群由初始化函数产生。这样大量引入新染色体,会加快跳出局部最优解的速度,性能提高。
其中,在本实施例中,初始化函数为根据电路结构初始化生成初始种群的函数,能够用于获取新的不同的染色体。
参照图4,本发明的第二实施例还提供了一种用于执行高效电路拓扑结构进化方法的系统,该系统为智能设备,例如智能手机、计算机和平板电脑等,本实施例以计算机为例加以说明。
在该用于执行高效电路拓扑结构进化方法的计算机4000中,包括CPU单元4100,CPU单元4100用于执行以下步骤:
客户端获取初始种群,对初始种群中的染色体进行选择操作和交叉操作;
客户端将初始种群中的随机一个染色体设置为待变异染色体,对待变异染色体进行复制,将复制所得的所有待变异染色体组成复制种群;
客户端对复制种群中的待变异染色体进行变异,并获取变异后的变异染色体的适应度值,将适应度值最大的变异染色体保留在初始种群中;
客户端对初始种群迭代执行上述步骤,若迭代的次数达到完成预先设定的迭代次数,获取适应度值最大的染色体作为电路结构。
其中,在本实施例中,智能系统中安装有用于执行上述高效电路拓扑结构进化方法的客户端。
进一步,本发明的另一个实施例中,CPU单元4100还用于执行以下步骤:
客户端将变异染色体解码成电路信息;
客户端读取缓存,若检测到缓存中已包括电路信息的计算结果,读取计算结果并设置为适应度值,否则根据电路信息计算出适应度值。
进一步,本发明的另一个实施例中,CPU单元4100还用于执行以下步骤:
客户端获取记录所获取的适应度值最大的染色体的适应度;
若客户端连续记录到数值相同的适应度,且数量达到了预先设定的阈值,客户端删除初始种群中一半的染色体,获取初始化函数并生成另一半的染色体。
计算机4000和CPU单元4100之间可以通过总线或者其他方式连接,计算机4000中还包括存储器,存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的用于执行高效电路拓扑结构进化方法的设备对应的程序指令/模块。计算机4000通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而控制CPU单元4100执行用于执行高效电路拓扑结构进化方法的各种功能应用以及数据处理,即实现上述方法实施例的高效电路拓扑结构进化方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据CPU单元4100的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于CPU单元4100远程设置的存储器,这些远程存储器可以通过网络连接至该计算机4000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器中,当被CPU单元4100执行时,执行上述方法实施例中的高效电路拓扑结构进化方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被CPU单元4100执行,实现上述高效电路拓扑结构进化方法。
以上所描述的系统实施例仅仅是示意性的,其中作为分离部件说明的系统可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络系统上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
需要说明的是,由于本实施例中的用于执行高效电路拓扑结构进化方法的系统与上述的高效电路拓扑结构进化方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本系统实施例,此处不再详述。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种高效电路拓扑结构进化方法,其特征在于,包括以下步骤:客户端获取初始种群,对所述初始种群中的染色体进行选择操作和交叉操作;
所述客户端将所述初始种群中的随机一个染色体设置为待变异染色体,对所述待变异染色体进行复制,将复制所得的所有待变异染色体组成复制种群;
所述客户端对所述复制种群中的待变异染色体进行变异,并获取变异后的变异染色体的适应度值,将所述适应度值最大的所述变异染色体保留在初始种群中;
所述客户端对所述初始种群迭代执行上述步骤,若迭代的次数达到完成预先设定的迭代次数,获取适应度值最大的染色体作为电路结构。
2.根据权利要求1所述的一种高效电路拓扑结构进化方法,其特征在于:所述客户端通过保留精英策略对所述种群中的染色体进行交叉。
3.根据权利要求1所述的一种高效电路拓扑结构进化方法,其特征在于,所述获取变异后的变异染色体的适应度值具体包括以下步骤:所述客户端将所述变异染色体解码成电路信息;
所述客户端读取缓存,若检测到缓存中已包括所述电路信息的计算结果,读取所述计算结果并设置为适应度值,否则根据所述电路信息计算出适应度值。
4.根据权利要求3所述的一种高效电路拓扑结构进化方法,其特征在于,所述客户端将所述变异染色体解码成电路信息还包括:所述客户端根据字典压缩算法对电路信息进行压缩。
5.根据权利要求1所述的一种高效电路拓扑结构进化方法,其特征在于,所述客户端对所述初始种群迭代还包括以下步骤:
所述客户端获取记录所获取的适应度值最大的染色体的适应度;
若所述客户端连续记录到数值相同的适应度,且数量达到了预先设定的阈值,所述客户端删除所述初始种群中一半的染色体,获取初始化函数并生成另一半的染色体。
6.一种用于执行高效电路拓扑结构进化方法的系统,其特征在于,包括CPU单元,所述CPU单元用于执行以下步骤:
客户端获取初始种群,对所述初始种群中的染色体进行选择操作和交叉操作;
所述客户端将所述初始种群中的随机一个染色体设置为待变异染色体,对所述待变异染色体进行复制,将复制所得的所有待变异染色体组成复制种群;
所述客户端对所述复制种群中的待变异染色体进行变异,并获取变异后的变异染色体的适应度值,将所述适应度值最大的所述变异染色体保留在初始种群中;
所述客户端对所述初始种群迭代执行上述步骤,若迭代的次数达到完成预先设定的迭代次数,获取适应度值最大的染色体作为电路结构。
7.根据权利要求6所述的一种用于执行高效电路拓扑结构进化方法的系统,其特征在于,所述CPU单元还用于执行以下步骤:
所述客户端将所述变异染色体解码成电路信息;
所述客户端读取缓存,若检测到缓存中已包括所述电路信息的计算结果,读取所述计算结果并设置为适应度值,否则根据所述电路信息计算出适应度值。
8.根据权利要求6所述的一种用于执行高效电路拓扑结构进化方法的系统,其特征在于,所述CPU单元还用于执行以下步骤:
所述客户端获取记录所获取的适应度值最大的染色体的适应度;
若所述客户端连续记录到数值相同的适应度,且数量达到了预先设定的阈值,所述客户端删除所述初始种群中一半的染色体,获取初始化函数并生成另一半的染色体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260091.5A CN110147884A (zh) | 2019-04-02 | 2019-04-02 | 一种高效电路拓扑结构进化方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260091.5A CN110147884A (zh) | 2019-04-02 | 2019-04-02 | 一种高效电路拓扑结构进化方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147884A true CN110147884A (zh) | 2019-08-20 |
Family
ID=67588425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260091.5A Pending CN110147884A (zh) | 2019-04-02 | 2019-04-02 | 一种高效电路拓扑结构进化方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147884A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036553A (zh) * | 2020-10-20 | 2020-12-04 | 江苏其厚智能电气设备有限公司 | 一种基于遗传算法的非信号注入式户相拓扑关系识别方法 |
CN112182968A (zh) * | 2020-09-28 | 2021-01-05 | 长安大学 | 一种构建锂离子电池等效电路模型的方法、系统及设备 |
CN113536712A (zh) * | 2021-07-29 | 2021-10-22 | 软通智慧信息技术有限公司 | 汽车外型参数的优化设计方法、装置、设备及存储介质 |
CN113765718A (zh) * | 2021-09-10 | 2021-12-07 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221586A (zh) * | 2007-12-11 | 2008-07-16 | 中山大学 | 基于解耦技术和遗传算法的功率电子电路优化方法 |
US20090065246A1 (en) * | 2007-09-10 | 2009-03-12 | Phoenix Precision Technology Corporation | Circuit board structure and method for manufacturing the same |
CN101539961A (zh) * | 2009-04-28 | 2009-09-23 | 重庆邮电大学 | 基于遗传算法的双频段Wilkinson功率分配器设计方法 |
CN103198186A (zh) * | 2013-03-29 | 2013-07-10 | 南京航空航天大学 | 基于特征的飞机结构件切削参数优化方法 |
US20150137597A1 (en) * | 2010-10-15 | 2015-05-21 | Nextek Power Systems Inc. | Arrangement for and method of dynamically managing electrical power between an electrical power source and an electrical load |
CN105279555A (zh) * | 2015-10-28 | 2016-01-27 | 清华大学 | 一种基于进化算法的自适应学习神经网络实现方法 |
US20170147722A1 (en) * | 2014-06-30 | 2017-05-25 | Evolving Machine Intelligence Pty Ltd | A System and Method for Modelling System Behaviour |
CN109255163A (zh) * | 2018-08-23 | 2019-01-22 | 佛山市顺德区中山大学研究院 | 基于追踪编码和遗传算法的电路结构优化方法 |
-
2019
- 2019-04-02 CN CN201910260091.5A patent/CN110147884A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090065246A1 (en) * | 2007-09-10 | 2009-03-12 | Phoenix Precision Technology Corporation | Circuit board structure and method for manufacturing the same |
CN101221586A (zh) * | 2007-12-11 | 2008-07-16 | 中山大学 | 基于解耦技术和遗传算法的功率电子电路优化方法 |
CN101539961A (zh) * | 2009-04-28 | 2009-09-23 | 重庆邮电大学 | 基于遗传算法的双频段Wilkinson功率分配器设计方法 |
US20150137597A1 (en) * | 2010-10-15 | 2015-05-21 | Nextek Power Systems Inc. | Arrangement for and method of dynamically managing electrical power between an electrical power source and an electrical load |
CN103198186A (zh) * | 2013-03-29 | 2013-07-10 | 南京航空航天大学 | 基于特征的飞机结构件切削参数优化方法 |
US20170147722A1 (en) * | 2014-06-30 | 2017-05-25 | Evolving Machine Intelligence Pty Ltd | A System and Method for Modelling System Behaviour |
CN105279555A (zh) * | 2015-10-28 | 2016-01-27 | 清华大学 | 一种基于进化算法的自适应学习神经网络实现方法 |
CN109255163A (zh) * | 2018-08-23 | 2019-01-22 | 佛山市顺德区中山大学研究院 | 基于追踪编码和遗传算法的电路结构优化方法 |
Non-Patent Citations (4)
Title |
---|
ZHIGUO BAO 等: "A new approach for circuit design optimization using Genetic Algorithm", 《2008 INTERNATIONAL SOC DESIGN CONFERENCE》 * |
吕琳君 等: "应用于集成电路设计的遗传算法研究", 《计算机技术与发展》 * |
常彦伟: "《动态多子群粒子群算法》", 30 November 2013, 中国矿业大学出版社 * |
彭岩 等: "《复杂工程的项目管理优化方法研究》", 31 January 2019, 同济大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182968A (zh) * | 2020-09-28 | 2021-01-05 | 长安大学 | 一种构建锂离子电池等效电路模型的方法、系统及设备 |
CN112182968B (zh) * | 2020-09-28 | 2024-01-30 | 长安大学 | 一种构建锂离子电池等效电路模型的方法、系统及设备 |
CN112036553A (zh) * | 2020-10-20 | 2020-12-04 | 江苏其厚智能电气设备有限公司 | 一种基于遗传算法的非信号注入式户相拓扑关系识别方法 |
CN112036553B (zh) * | 2020-10-20 | 2024-04-09 | 江苏其厚智能电气设备有限公司 | 一种基于遗传算法的非信号注入式户相拓扑关系识别方法 |
CN113536712A (zh) * | 2021-07-29 | 2021-10-22 | 软通智慧信息技术有限公司 | 汽车外型参数的优化设计方法、装置、设备及存储介质 |
CN113765718A (zh) * | 2021-09-10 | 2021-12-07 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
CN113765718B (zh) * | 2021-09-10 | 2023-06-09 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147884A (zh) | 一种高效电路拓扑结构进化方法及其系统 | |
CN109948641A (zh) | 异常群体识别方法及装置 | |
CN102654762A (zh) | 在基于扫描的工业处理控制系统中获得无损数据流化 | |
CN107957976A (zh) | 一种计算方法及相关产品 | |
CN105824974B (zh) | 数据分析处理的方法和系统 | |
CN108121688A (zh) | 一种计算方法及相关产品 | |
CN111738435A (zh) | 一种基于移动设备的在线稀疏训练方法及系统 | |
CN108108190A (zh) | 一种计算方法及相关产品 | |
CN111241550B (zh) | 基于二进制映射和深度学习的漏洞检测方法 | |
CN114385181A (zh) | 一种数据处理方法、装置、设备及计算机存储介质 | |
CN115858205A (zh) | 基于内存黑板机制的仿真组件交互方法、装置和设备 | |
Luo et al. | Multi-scale receptive field fusion network for lightweight image super-resolution | |
CN107957977A (zh) | 一种计算方法及相关产品 | |
Gong et al. | A splicing-driven memetic algorithm for reconstructing cross-cut shredded text documents | |
CN109993286B (zh) | 稀疏神经网络的计算方法及相关产品 | |
WO2024114152A1 (zh) | 三维场景的特征提取方法、装置、设备及存储介质 | |
CN113343020A (zh) | 基于人工智能的图像处理方法、装置及电子设备 | |
CN102780780B (zh) | 云计算模式下的数据处理方法、设备和系统 | |
CN108108189A (zh) | 一种计算方法及相关产品 | |
CN111028092A (zh) | 基于Louvain算法的社区发现方法、计算机设备及其可读存储介质 | |
CN116011580A (zh) | 等效电感的确定方法及计算机设备 | |
CN106844605B (zh) | 批量数据逻辑处理方法及装置 | |
CN116108752A (zh) | 模型压缩方法、装置、电子设备和存储介质 | |
CN115578096A (zh) | 区块链并行交易方法、装置、设备和存储介质 | |
CN112651492B (zh) | 一种自连接宽度图卷积神经网络模型系统及训练方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |