CN110459258A - 基于多目标聚类遗传算法的多存储器内建自测试的方法 - Google Patents

基于多目标聚类遗传算法的多存储器内建自测试的方法 Download PDF

Info

Publication number
CN110459258A
CN110459258A CN201910636611.8A CN201910636611A CN110459258A CN 110459258 A CN110459258 A CN 110459258A CN 201910636611 A CN201910636611 A CN 201910636611A CN 110459258 A CN110459258 A CN 110459258A
Authority
CN
China
Prior art keywords
memory
test
testing
group
wrapper
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
CN201910636611.8A
Other languages
English (en)
Other versions
CN110459258B (zh
Inventor
马永涛
陈佳楠
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201910636611.8A priority Critical patent/CN110459258B/zh
Publication of CN110459258A publication Critical patent/CN110459258A/zh
Application granted granted Critical
Publication of CN110459258B publication Critical patent/CN110459258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
    • G11C29/08—Functional testing, e.g. testing during refresh, power-on self testing [POST] or distributed testing
    • G11C29/12—Built-in arrangements for testing, e.g. built-in self testing [BIST] or interconnection details

Abstract

本发明涉及一种基于多目标聚类遗传算法的多存储器内建自测试的方法，包括如下步骤：存储器聚类，获得一组兼容的存储器组；存储器数量与存储器共享测试的标准电路wrapper采用整数向量编码方案；初始种群生成；目标函数值计算；交叉与变异；输出解码方案。进行存储器测试。

Description

基于多目标聚类遗传算法的多存储器内建自测试的方法
技术领域
本发明属于集成电路测试领域，涉及内建自测试(Built in Self-Test，BIST)技术在SOC中多个嵌入式存储器的优化测试。
背景技术
在片上系统(System on Chip，SOC)中，嵌入式存储器(通常是SRAM存储器)占芯片面积的95％以上。由于嵌入式存储器中的缺陷会使整个芯片失效，因此嵌入式存储器的测试技术设计(Design forTest，DFT)至关重要。内建自测试(Built in Self-Test，BIST)是一种越来越有效和必要的DFT技术，BIST是一种简单且低成本的方法，并且不会影响存储器性能。但BIST电路是作为芯片上的附加逻辑实现，因此对于包含数百个存储器的SOC而言，其面积成本会变的很高。此外，由于SOC的功耗限制，不可能同时测试所有的存储器。使用BIST方法测试多个存储器，需要考虑三个因素：存储器总测试时间、BIST电路产生的测试功耗、插入BIST电路产生的额外面积。
遗传算法(Genetic Algorithm，GA)在多目标优化、非线性、加权数据的生成有着独特的优势。遗传算法在BIST领域主要集中于测试数据生成与IP核测试功耗的多目标问题，应用存储器BIST领域较少。Lilia Zaourar提出一种使用遗传算法优化存储器共享BIST的方法，针对BIST电路的面积开销与测试功耗，利用遗传算法找到一组最优解[1]。另外，在遗传算法中，算法效果高度依赖初始种群的生成，随机生成的初始种群存在收敛速度慢，运行时间长的缺点。
参考文献：
[1]Zaourar L,Kieffer Y,Wenzel A.A multi-objective optimization formemory BIST sharing using a genetic algorithm[C]//2011 IEEE 17thInternational On-Line Testing Symposium.IEEE,2011:73-78.
发明内容
针对BIST电路插入过程受到片上系统资源、测试时间约束与遗传算法的风险，本发明提出一种基于多目标聚类遗传算法的多存储器内建自测试方法。首先遍历所有存储器，基于存储器之间的版图距离，聚类获得兼容存储器组。然后采用启发式方法生成初始种群，加速结果收敛。最终得到一组满足要求的存储器最优分组解。本发明的技术方案如下：
一种基于多目标聚类遗传算法的多存储器内建自测试的方法，包括如下步骤：
步骤一：存储器聚类：设定同一物理层相同频率存储器i、j的位置为(xi,yi)，(xj,yj)，则存储器i、j之间的欧式距离为
设L为边界约束条件，若dij＜L，说明存储器i、j可以共享相同BIST控制器，获得一组兼容的存储器组，用M＝[m1,m2,…,ml]表示。
步骤二：存储器数量与存储器共享测试的标准电路wrapper采用整数向量编码方案：染色体由兼容存储器组表示，存储器配置代表染色体的基因，具有wrapper组别与共享模式信息，则解码方案表示为：M＝[m11,m11,m22,…,mi3]。其中，存储器下标第一位代表wrapper组别，第二位代表wrapper内存储器共享方式，其中1代表串行模式，2代表并行模式，3代表专用模式。
步骤三：初始种群生成，设初始种群数量为Q，则实现过程为：
⑴在存储器组M中随机生成wrapper构成序列。
⑵对满足片上系统的面积开销、测试功耗与测试时间约束条件的wrapper构成序列，保留测试时间最短的序列Mt、面积开销最小的序列Ma和测试功耗最低的序列Mp，得到三个可行解
⑶将这三个可行解作为首要的初始解，在这三个的基础上进行成对交叉生成Q/4个初始解，剩余个体则由满足约束条件的随机生成的个体填充。
步骤四：目标函数值计算，影响BIST系统性能的因素有测试功耗、面积开销与测试时
间，则目标函数为：
其中，A为面积开销，Alimit为允许最大面积开销，Amin为解中最小的面积开销；P为测试功耗，Plimit为允许最大测试功耗，Pmin为解中最小的测试功耗；T为测试时间，Tlimit为允许最大测试时间，Tmin为解中最小测试时间。α、β与δ为面积开销、测试峰值功耗与测试时间的权重归一化参数，t为惩罚系数。
步骤五：交叉与变异：对父代种群进行交叉变异操作，得到子代种群Ms。进行交叉变异操作时，分两步进行:①任意选择种群内部不同的两个个体。②由于使用整数向量进行编码，对于选出的两个个体，任意选择一个交叉点，需要交叉的染色体段小于染色体整体长度。实行变异操作时，任意选择经过交叉操作种群中的单个个体，选择个体上任意两个位置，交换其编码达到变异的目的。
步骤六：输出解码方案：判断是否达到规定的遗传代数，是则输出最终解码方案。否则回到上一步骤。
步骤七：进行存储器测试。
本发明由于采取以上技术方案，其具有以下优点：
本发明是一种基于多目标聚类遗传算法的多存储器内建自测试方法。与传统遗传方式生成的存储器组相比，本发明所提方法能够降低存储器测试功耗与测试时间。本方法通过MATLAB仿真，证实了本方法优于传统的遗传算法。
为了直观的验证本方法定位性能优于现有算法，与传统遗传算法进行目标函数值对比。从图2可以看出本发明提出的多目标聚类遗传算法效果优于传统遗传算法。从图3可以得出本发明提出的多目标聚类遗传算法收敛速度快于传统遗传算法。
附图说明
图1是本发明中存储器聚类示意图。
图2是运行10次下多目标聚类遗传与遗传算法的目标函数值。
图3是运行100代下多目标聚类遗传与遗传算法的目标函数值。
具体实施方法
以下结合附图及实例，对本发明进行进一步的详细说明。本实例仅限于说明本发明的一种实施方法，不代表对本发明覆盖范围的限制。图1是存储器聚类示意图。图2是两种算法运行10次的最优结果的目标函数值。图3是两种算法运行100代结果的目标函数值，其中目标函数值越小说明结果越优。
具体的方法实现过程描述如下：
步骤一：SOC中多个存储器设置。使用MATLAB建立一个多存储器测试场景，版图面积为10*10，设定相同频率存储器的个数为20个。其中配置为256*24、1024*8、1024*64、8192*14、8192*64各4个，其面积开销、测试功率与测试时间为2.89、18.6、0.048，11.55、9.6、0.036，11.55、50.8、0.208，92.39、23.4、0.251，92.39、105.4、1.019，位置由随机函数生成。
步骤二：存储器聚类。计算运行频率相同的存储器i，j间的欧式距离若dij小于边界距离L＝1.2，则说明存储器i，j可以共享同一BIST控制器，构成一组兼容存储器。
步骤三：兼容存储器组编码。染色体由存储器组成表示。存储器代表染色体的基因，具有wrapper组别与共享模式信息。染色体长度是可兼容存储器组中的存储器数目。解码方案表示为M＝[m11,m11,m22,…,mi3]。其中，存储器下标第一位代表wrapper组别，第二位代表wrapper内存储器共享方式，其中1代表串行模式，2代表并行模式，3代表专用模式。
步骤四：初始种群生成。假设初始种群数量为Q,则实现过程为：⑴在存储器组M中随机生成wrapper构成序列。⑵对满足约束条件的wrapper构成序列，保留测试时间最短的序列Mt、得到面积开销最小的序列Ma与测试功耗最低的序列Mp。⑶将这3个可行解作为首要的初始解，在这3个解的基础上进行少量的成对交叉生成Q/4个初始解，剩余个体则由满足约束条件的随机生成的个体填充。
步骤五：目标函数构成。影响BIST系统性能的因素有测试功耗、面积开销与测试时间，
因此目标函数为：
其中，A为面积开销，Alimit＝6.5为允许最大面积开销，Amin为解中最小的面积开销；P为测试功耗，Plimit＝700为允许最大测试功耗，Pmin为解中最小的测试功耗；T为测试时间，Tlimit＝300为允许最大测试时间，Tmin为解中最小测试时间。α＝0.3、β＝0.3与δ＝0.6为面积开销、测试峰值功耗与测试时间的权重归一化参数，t＝1为惩罚系数。
步骤六：对父代种群进行交叉变异操作，得到子代种群Ms。进行交叉操作时，分两步进行:①任意选择种群内部不同的两个个体。②由于使用整数向量进行编码，对于选出的两个个体，任意选择一个交叉点，需要交叉的染色体段小于染色体整体长度，交叉概率为0.95。实行变异操作时，任意选择经过交叉操作种群中的单个个体，选择个体上任意两个位置，交换其编码达到变异的目的，变异概率为0.05。
步骤七：精英选取获得新的父代种群MP+1。
步骤八：达到终止条件后，输出解码方案，否则返回步骤五。
步骤九：采用通用方案对存储器进行测试。
概括而言，方案如下：
1)片上系统SOC中含有大量的存储器。
2)根据相同频率存储器的版图距离，进行存储器的聚类，获得兼容存储器组。
3)对兼容存储器组进行整数向量编码，并使用启发式方法生成初始种群。
4)构建目标函数，计算初始种群个体的目标函数值，并对其进行升序排序，计算拥挤距离值。
5)根据排序结果和拥挤距离值进行个体选择，得到父代种群。
6)对父代种群进行交叉变异操作，获得子代种群，精英选取获得新的父代种群。
7)不满足终止条件，返回步骤4)。满足终止条件，输出解码方案。
8)采用通用方法进行存储器测试。

Claims (1)

1.一种基于多目标聚类遗传算法的多存储器内建自测试的方法，包括如下步骤：
步骤一：存储器聚类：设定同一物理层相同频率存储器i、j的位置为(xi,yi)，(xj,yj)，则存储器i、j之间的欧式距离为
设L为边界约束条件，若dij＜L，说明存储器i、j可以共享相同BIST控制器，获得一组兼容的存储器组，用M＝[m1,m2,…,ml]表示。
步骤二：存储器数量与存储器共享测试的标准电路wrapper采用整数向量编码方案：染色体由兼容存储器组表示，存储器配置代表染色体的基因，具有wrapper组别与共享模式信息，则解码方案表示为：M＝[m11,m11,m22,…,mi3]；其中，元素下标第一位代表wrapper组别，第二位代表wrapper内存储器共享方式，其中1代表串行模式，2代表并行模式，3代表专用模式；
步骤三：初始种群生成，设初始种群数量为Q，则实现过程为：
⑴在存储器组M中随机生成wrapper构成序列；
⑵对满足片上系统的面积开销、测试功耗与测试时间约束条件的wrapper构成序列，保留测试时间最短的序列Mt、面积开销最小的序列Ma和测试功耗最低的序列Mp，得到三个可行解
⑶将这三个可行解作为首要的初始解，在这三个的基础上进行成对交叉生成Q/4个初始解，剩余个体则由满足约束条件的随机生成的个体填充；
步骤四：目标函数值计算，影响BIST系统性能的因素有测试功耗、面积开销与测试时间，则目标函数为：
其中，A为面积开销，Alimit为允许最大面积开销，Amin为解中最小的面积开销；P为测试功耗，Plimit为允许最大测试功耗，Pmin为解中最小的测试功耗；T为测试时间，Tlimit为允许最大测试时间，Tmin为解中最小测试时间；α、β与δ为面积开销、测试峰值功耗与测试时间的权重归一化参数，t为惩罚系数；
步骤五：交叉与变异：对父代种群进行交叉变异操作，得到子代种群Ms；进行交叉变异操作时，分两步进行:①任意选择种群内部不同的两个个体；②由于使用整数向量进行编码，对于选出的两个个体，任意选择一个交叉点，需要交叉的染色体段小于染色体整体长度；实行变异操作时，任意选择经过交叉操作种群中的单个个体，选择个体上任意两个位置，交换其编码达到变异的目的；
步骤六：输出解码方案：判断是否达到规定的遗传代数，是则输出最终解码方案；否则回到上一步骤；
步骤七：进行存储器测试。
CN201910636611.8A 2019-07-15 2019-07-15 基于多目标聚类遗传算法的多存储器内建自测试的方法 Active CN110459258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910636611.8A CN110459258B (zh) 2019-07-15 2019-07-15 基于多目标聚类遗传算法的多存储器内建自测试的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910636611.8A CN110459258B (zh) 2019-07-15 2019-07-15 基于多目标聚类遗传算法的多存储器内建自测试的方法

Publications (2)

Publication Number Publication Date
CN110459258A true CN110459258A (zh) 2019-11-15
CN110459258B CN110459258B (zh) 2021-03-12

Family

ID=68481281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910636611.8A Active CN110459258B (zh) 2019-07-15 2019-07-15 基于多目标聚类遗传算法的多存储器内建自测试的方法

Country Status (1)

Country Link
CN (1) CN110459258B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111208796A (zh) * 2020-04-21 2020-05-29 天津开发区精诺瀚海数据科技有限公司 一种基于聚类小生境遗传算法的车间生产作业排程方法
CN111243647A (zh) * 2020-01-02 2020-06-05 长江存储科技有限责任公司 闪存编程参数确定方法、装置、电子设备及存储介质
CN116825169A (zh) * 2023-08-31 2023-09-29 悦芯科技股份有限公司 一种基于测试设备的异常存储芯片检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070094164A1 (en) * 2005-09-27 2007-04-26 Youfeng Wu Genetic algorithm for microcode compression
CN102800093A (zh) * 2012-07-12 2012-11-28 西安电子科技大学 基于分解的多目标遥感图像分割方法
US20160196480A1 (en) * 2014-05-05 2016-07-07 Atomwise Inc. Systems and methods for applying a convolutional network to spatial data
CN108108815A (zh) * 2017-12-13 2018-06-01 北京邮电大学 基于改进遗传算法的虚拟网络映射方法及装置
CN109062782A (zh) * 2018-06-27 2018-12-21 阿里巴巴集团控股有限公司 一种回归测试用例的选择方法、装置及设备
CN109885471A (zh) * 2017-12-06 2019-06-14 河南工业大学 一种基于粒子群优化的软件多错误定位方法及处理装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070094164A1 (en) * 2005-09-27 2007-04-26 Youfeng Wu Genetic algorithm for microcode compression
CN102800093A (zh) * 2012-07-12 2012-11-28 西安电子科技大学 基于分解的多目标遥感图像分割方法
US20160196480A1 (en) * 2014-05-05 2016-07-07 Atomwise Inc. Systems and methods for applying a convolutional network to spatial data
CN109885471A (zh) * 2017-12-06 2019-06-14 河南工业大学 一种基于粒子群优化的软件多错误定位方法及处理装置
CN108108815A (zh) * 2017-12-13 2018-06-01 北京邮电大学 基于改进遗传算法的虚拟网络映射方法及装置
CN109062782A (zh) * 2018-06-27 2018-12-21 阿里巴巴集团控股有限公司 一种回归测试用例的选择方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LILIA ZAOURAR: "A multi-objective optimization for memory BIST sharing using a genetic algorithm", 《2011 IEEE 17TH INTERNATIONAL ON-LINE TESTING SYMPOSIUM》 *
陈佳楠: "多目标优化的多存储器内建自测试", 《电子测量与仪器学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243647A (zh) * 2020-01-02 2020-06-05 长江存储科技有限责任公司 闪存编程参数确定方法、装置、电子设备及存储介质
CN111208796A (zh) * 2020-04-21 2020-05-29 天津开发区精诺瀚海数据科技有限公司 一种基于聚类小生境遗传算法的车间生产作业排程方法
CN111208796B (zh) * 2020-04-21 2020-08-04 天津开发区精诺瀚海数据科技有限公司 一种基于聚类小生境遗传算法的车间生产作业排程方法
CN116825169A (zh) * 2023-08-31 2023-09-29 悦芯科技股份有限公司 一种基于测试设备的异常存储芯片检测方法
CN116825169B (zh) * 2023-08-31 2023-11-24 悦芯科技股份有限公司 一种基于测试设备的异常存储芯片检测方法

Also Published As

Publication number Publication date
CN110459258B (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN110459258A (zh) 基于多目标聚类遗传算法的多存储器内建自测试的方法
CN109145957A (zh) 基于大数据的配电网异常指标的识别与处理方法及装置
CN110542819B (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
CA2392063A1 (en) Method and program for simulating a physical system using object-oriented programming
CN108763376A (zh) 融合关系路径、类型、实体描述信息的知识表示学习方法
CN104123684A (zh) 一种计及网损和可靠性的配电网经济性重构方法
CN107993012A (zh) 一种时间自适应的电力系统在线暂态稳定评估方法
CN111368259B (zh) 一种配网电压数据缺失填补方法及相关装置
CN108846555A (zh) 一种电力负荷大数据缺失值的高效精确填补法
CN107506857A (zh) 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法
CN109816017A (zh) 基于模糊聚类和拉格朗日插值的电网缺失数据填补方法
CN106874602A (zh) 气象数据处理方法和装置
CN111723862A (zh) 开关柜状态评估方法和装置
CN107360031A (zh) 一种基于优化开销收益比的虚拟网络映射方法
CN104715034A (zh) 基于中心人物的有权图重叠社区发现方法
CN114169249A (zh) 一种配电网高阻接地故障人工智能识别方法
CN109063930A (zh) 一种基于聚类分析的动态风电场总功率预测方法
CN108537581A (zh) 基于gmdh选择性组合的能源消费量时间序列预测方法及装置
CN116087692B (zh) 一种配电网树线放电故障识别方法、系统、终端及介质
CN113379116A (zh) 基于聚类和卷积神经网络的台区线损预测方法
CN109285219A (zh) 一种基于dem的网格型水文模型网格演算次序编码方法
CN113949079B (zh) 基于深度学习的配电台区用户三相不平衡预测优化方法
CN104766091B (zh) 空间与光谱协同结构及遥感影像的多尺度理解方法、系统
CN115494349A (zh) 有源配电网单相接地故障区段定位方法
CN109742803A (zh) 一种含分布式电源的配电网网损分摊方法

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
GR01 Patent grant
GR01 Patent grant