CN112395822A - 时延驱动的非曼哈顿结构Steiner最小树构建方法 - Google Patents
时延驱动的非曼哈顿结构Steiner最小树构建方法 Download PDFInfo
- Publication number
- CN112395822A CN112395822A CN202011342713.8A CN202011342713A CN112395822A CN 112395822 A CN112395822 A CN 112395822A CN 202011342713 A CN202011342713 A CN 202011342713A CN 112395822 A CN112395822 A CN 112395822A
- Authority
- CN
- China
- Prior art keywords
- tree
- particle
- particles
- length
- cost
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 239000002245 particle Substances 0.000 claims description 68
- 230000035772 mutation Effects 0.000 claims description 22
- 230000009326 social learning Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 13
- 230000001149 cognitive effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 230000013016 learning Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/394—Routing
- G06F30/3947—Routing global
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明提出一种时延驱动的非曼哈顿结构Steiner最小树构建方法,包括以下步骤:步骤S1:采用X结构的Prim‑Dijkstra模型初始化布线树;步骤S2:采用基于Pareto支配思想的多目标优化方法,寻找获得一个能平衡总线长和最大汇路径长度的X结构Steiner树,以最终优化布线树的最大汇时延和总时延。该方案能够进一步增强线长的优化能力。
Description
技术领域
本发明属于集成电路计算机辅助设计技术领域,尤其涉及一种时延驱动的非曼哈顿结构Steiner最小树构建方法。
背景技术
时延驱动Steiner最小树的构建是VLSI布线设计中一个重点研究的问题。通常,时延驱动布线主要是极小化最大汇延迟或总线长,而源汇长度又直接反映了源汇信号延迟。因此,用布线树同时求得最大汇路径长度和总线长度是比较理想的做法。
随着芯片特征尺寸的不断缩小,斯坦纳树的研究工作不仅仅集中在最小化互连线的线长,互连线延迟更是一个非常关键的指标。对于信号线网来说,构建时延驱动的Steiner最小树对提升芯片的整体性能有重要意义。目前,VLSI布线中Steiner树的研究工作大多局限于布线树长度的优化,考虑到源汇延迟对芯片性能的影响,学者们开始研究以线长总代价和传输时延为优化目标的Steiner最小树问题。
目前关于时延驱动布线树的研究大多是基于曼哈顿结构展开的,而对于非曼哈顿结构下考虑互连线延迟的斯坦纳最小树问题的相关研究较少。非曼哈顿结构的布线方式因为具有更多的走线方向,从而能够获得更多更优质的候选拓扑,在一定程度上更充分地利用了有限的布线资源。因此,研究非曼哈顿结构下时延驱动的Steiner最小树构建方法是极具理论意义和实际价值的。
与本发明方案相关的现有技术包括中国专利:CN201710435947-基于自适应PSO和混合转换策略的X结构Steiner最小树算法等。
发明内容
为了填补现有技术的空白,为了能够更好地平衡最大汇延迟和总线长两个优化目标,同时考虑到传统PSO单一的学习对象会使得算法开发强度过大而陷入局部极值的问题,本发明提出了一种时延驱动的非曼哈顿结构Steiner最小树构建方法。该方法包含以下四种有效策略:(1)基于PD算法的X结构初始布线树的构建。有效平衡生成树的线长和最大汇路径长度。(2)基于Pareto支配的多目标优化方法。更好地优化生成树的线长与最大汇路径。(3)最近最优社会学习策略。更好地选择最优解,维持种群多样性,有利于跳出局部极值。(4)新的离散更新操作。提出结合PSP(伪Steiner点,额外引入Steiner树的点,Pseudo-Steiner Point,PSP)点变换和边重构的变异和交叉算子实现粒子的更新,进一步增强线长的优化能力。
基于上述考虑,本发明提出了X结构Prim-Dijkstra(XPD)模型以同时考虑布线总线长和最大源汇路径长度;其次,采用基于Pareto支配的多目标优化方法来搜索最优解,并提出了基于最近最优原则的社会学习策略以增强算法勘探能力;最后,在粒子的更新过程中引入边重构策略以增大粒子的搜索空间,从而能够获得更多的拓扑结构。
本发明采用以下方案实现:首先,本发明通过PD算法构建具有X结构的初始化布线树(记为步骤S1)。其次,利用基于Pareto支配思想的多目标优化方法,寻找一个能较好平衡总线长和最大汇路径长度的X结构Steiner树,以最终优化布线树的最大汇时延和总时延(记为步骤S2)。其中步骤S2具体包含以下有效策略的设计:
策略S21.基于PSP点变换和边重构的更新策略。其中,PSP点变换在一定程度上能够优化树的拓扑。边重构策略能实现拓扑结构的更多可能性,进一步增强线长的优化能力。
策略S22.基于Pareto支配思想的多目标优化策略。该策略帮助更好地选择粒子的pbest和gbest,从而达到对线长和最大源汇路径长度更好地优化。
策略S23.最近最优社会学习策略。该策略提高算法勘探能力的同时保证学习的质量。
本发明具体采用以下技术方案:
一种时延驱动的非曼哈顿结构Steiner最小树构建方法,其特征在于,包括以下步骤:
步骤S1:采用X结构的Prim-Dijkstra模型初始化布线树;
步骤S2:采用基于Pareto支配思想的多目标优化方法,寻找获得一个能平衡总线长和最大汇路径长度的X结构Steiner树,以最终优化布线树的最大汇时延和总时延。
优选地,在步骤S2中,所述基于Pareto支配思想的多目标优化方法的执行包括以下步骤:
步骤S21:执行基于PSP点变换和边重构的更新策略;
步骤S22:执行基于Pareto支配思想的多目标优化策略;
步骤S23:执行最近最优社会学习策略。
优选地,所述Prim-Dijkstra模型描述如下:
设一个线网N的顶点集合为V={s0,s1,...,sn-1},其中s0为源点,其余点为汇点;在布线开始时,树T仅由s0组成,然后迭代地添加汇点sj和边eij到树T中,要求最小化代价函数:
γ·cost(si)+cost(si,sj)s.t.si∈T,sj∈V-T (1)
其中,cost(si)为源点s0到汇点si的最短路径上的总代价,cost(si,sj)为汇点si和汇点sj之间边的代价;当γ=0时,Prim-Dijkstra算法等价于Prim算法,此时构建的树T是一棵Steiner最小树;当γ=1时,Prim-Dijkstra算法等价于Dijkstra算法,此时构建的树T是一棵最短路径树;当γ越接近0时,PD倾向于构建一棵线长代价较小而半径较大的生成树;当γ越接近1时,PD倾向于构建一棵半径较小而线长代价较大的生成树;
优选地,所述Prim-Dijkstra模型采用公式(2)计算源汇点距离:
优选地,所述Prim-Dijkstra模型采用公式(3)计算两个指标α和β,考虑了不同的γ取值对生成树拓扑的影响,反映生成树在线长代价wl和最大汇路径长度代价pl上的表现;
其中Tinit,TM和TS分别表示由Prim-Dijkstra算法得到的初始生成树,Steiner最小树和最短路径树。
优选地,步骤S21具体包括以下内容:
引入变异和交叉算子,粒子遵循以下的更新公式:
其中,ω为惯性权重因子,决定了粒子变异的概率;c1和c2为加速因子,决定了粒子两次交叉的概率;NF1为变异操作,代表惯性保持部分;NF2和NF3为交叉操作,分别代表粒子的个体认知和社会认知部分。
使用PSP点变换和边重构的更新操作;具体的更新过程如下:
步骤S212:个体认知分量:
通过NF2完成粒子的个体认知,表示如下:
步骤S213:社会认知分量:
通过NF3完成粒子的社会认知,表示如下:
优选地,步骤S22具体包括以下内容:
根据Pareto支配原则判定粒子之间的支配关系,考虑两个优化目标:线长和最大汇路径长度,故m=2,分别记为fwl和fpl,其中fwl是布线树的线长代价函数,fpl是布线树的半径代价函数;fwl和fpl的计算公式如下:
其中,T为布线树,l(ei),l(ej)分别表示边ei和边ej的长度,pathm(s0,si)代表源点s0和汇点si之间的路径。
优选地,步骤S23具体包括以下内容:
所述最近最优社会学习策略的具体实现步骤如下:
步骤S231:利用目标距离函数计算出粒子与每一个Pareto最优解的距离,具体公式如下所示;
fdij=|fwl(Xi)-fwl(Xj)|+|fpl(Xi)-fpl(Xj)|,i≠j (12)
其中,fdij表示粒子Xi和Xj之间的距离,Xj是外部文档中任意一个最优解
粒子;
步骤S232:将fdij值最小的粒子作为当前粒子Xi的最近最优解,即粒子的社会学习对象;
步骤S233:按照步骤S21更新过程进行社会学习。
与现有技术相比,本发明及其优选方案有以下特点和有益效果:
该方法基于时延驱动的非曼哈顿结构Steiner最小树构建算法,在充分考虑总线长和最大汇延迟的优化指标的前提下,设计了四种有效的优化策略,包括:(1)基于PD算法的X结构初始布线树的构建,有效平衡生成树的线长和最大汇路径长度。(2)基于Pareto支配的多目标优化方法,更好地优化生成树的线长与最大汇路径。(3)最近最优社会学习策略,更好地从选择最优解,维持种群多样性,有利于跳出局部极值。(4)新的离散更新操作,提出结合PSP点变换和边重构的变异和交叉算子实现粒子的更新,进一步增强线长的优化能力。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例Steiner树X结构模型示意图;其中,(a)线段L;(b)0选择;(c)1选择;(d)2选择;(e)3选择;
图2为本发明实施例XSMT结构示意图;
图3为本发明实施例针对边重构的变异操作的伪代码;
图4为本发明实施例针对边重构的交叉操作示意图;
图5为本发明实施例变异算子的伪代码;
图6为本发明实施例针对边重构的交叉操作的伪代码;
图7为本发明实施例最近最优社会学习模式示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
本实施例提供了一种时延驱动的非曼哈顿结构Steiner最小树构建方法的具体解决方案,其具体包括以下步骤:
步骤S1:根据PD算法产生具有X结构的初始布线树。
定义1.X结构.X结构是非曼哈顿结构的一种,除了水平和垂直方向,引脚之间的走线还可以使45°和135°方向。本实施例使用图1所示的X结构作为Steiner最小树的布线模型。
定义2.伪Steiner点.假设除了引脚外,引入的额外的连接点,称为伪Steiner点(Pseudo-Steiner Point,PSP)。
定义3.0选择.图1(a)给出了连接引脚A和B的边L。边L对应的PS点的选择方式如图1(b)所示,从A先引曼哈顿结构边至S,再从S引X结构边至B,称作0选择。
定义4.1选择.如图1(c)所示,从A先引X结构边至S,再从S引曼哈顿结构边至B,称作1选择。
定义5.2选择.如图1(d)所示,从A先引竖直边至S,再从S引水平边至B,称作2选择。
定义6.3选择.如图1(e)所示,从A先引水平边至S,再从S引竖直边至B,称作3选择。
定义7.X结构Steiner最小树.X结构Steiner最小树(XSMT)是VLSI布线中多端线网的最佳连接模型。XSMT问题描述为:给定引脚集合P={P1,P2,...,Pn}为待布线网的n个引脚,每一个引脚Pi(1≤i≤n)对应一个坐标对(xi,yi)。通过X结构的布线方式连接集合P中所有的引脚,X结构是非曼哈顿结构的一种,除了水平和垂直方向,引脚之间的走线还可以使45°和135°方向。本实施例使用X结构作为Steiner最小树的布线模型。如图2所示,图2(a)为待布线网的引脚分布,其所对应的一棵XSMT的拓扑图如图2(b)所示。
定义8.线长代价.布线树的线长代价等于所有边线段的长度之和。
定义9.最大汇延迟.最大汇延迟是指给定线网中从源到任意一个汇的最大互连延迟。
定义10.半径代价.布线树中最大汇路径长度称为半径代价,等于该路径上所有边线段的长度之和。
本实施例采用的Prim-Dijkstra(PD)模型具有简单快速的特点,能够较好地实现线长和最大源汇路径长度之间的平衡。
Prim-Dijkstra模型描述如下:
一个线网N的顶点集合为V={s0,s1,...,sn-1},其中s0为源点,其余点为汇点。一颗布线树是图G的一个生成子图,且|E′|=n-1。开始时,树T仅由s0组成,然后迭代地添加汇点sj和边eij到T中,要求最小化代价函数:
γ·cost(si)+cost(si,sj)s.t.si∈T,sj∈V-T (1)
其中,cost(si)为s0到si的最短路径上的总代价,cost(si,sj)为si和sj之间边的代价。当γ=0时,PD算法等价于Prim算法,此时构建的T是一棵Steiner最小树;当γ=1时,PD算法等价于Dijkstra算法,此时构建的T是一棵最短路径树(Shortest PathTree,SPT)。当γ越接近0时,PD倾向于构建一棵线长代价较小而半径较大的生成树;当γ越接近1时,PD倾向于构建一棵半径较小而线长代价较大的生成树。
本实施例使用公式(2)计算源汇点距离:
本实施例使用公式(3)计算两个指标α和β,考虑了不同的γ取值对生成树拓扑的影响,反映生成树在线长代价(wl)和最大汇路径长度代价(pl)上的表现。
其中Tinit,TM和TS分别表示由PD算法得到的初始生成树,SMT和SPT。
2.步骤S2:
利用基于Pareto支配思想的多目标优化方法,寻找一个能较好平衡总线长和最大汇路径长度的X结构Steiner树,以最终优化布线树的最大汇时延和总时延。
在该步骤中,本实施例设计了三种有效的策略,分别为策略S21、S22和S23。详细介绍如下。
3.步骤S21:
基于PSP点变换和边重构的更新策略。
为了使粒子群优化技术能够更好地解决XSMT这个离散问题,本实施例引入了变异和交叉算子。粒子遵循以下的更新公式:
其中,ω为惯性权重因子,决定了粒子变异的概率。c1和c2为加速因子,决定了粒子两次交叉的概率。NF1为变异操作,代表惯性保持部分;NF2和NF3为交叉操作,分别代表粒子的个体认知和社会认知部分。
为了进一步增强线长的优化能力,本实施例使用PSP点变换和边重构的更新操作。具体的更新过程如下:
(1)惯性分量:
NF1通过引入变异算子和边重构策略,以完成粒子的速度更新,表示如下:
其中,MP()是针对PSP变换的变异操作,Me()是针对边重构的变异操作。ω为粒子进行变异操作的概率,r1是[0,1)内的随机数。
本实施例采用两点变异,如果产生的随机数r1<ω,粒子将发生变异操作,否则,维持粒子当前状态。变异操作的具体步骤如下:1)粒子首先进行PSP点变换的变异操作;2)接着,再进行针对边重构的变异操作,变异操作的示意图如图3所示。算法随机选择一条待变异的边e,移除该条边后,分别从两棵子树中各选一个引脚进行相连,得到变异后的e′。在步骤2)中,算法使用并查集维护两棵子树的引脚集合。变异算子的伪代码如图5所示。
(2)个体认知分量:
算法通过NF2完成粒子的个体认知,表示如下:
(3)社会认知分量:
算法通过NF3完成粒子的社会认知,表示如下:
4.步骤S22:
基于Pareto支配思想的多目标优化策略。
定义13.Pareto最优解集和Pareto前端.满足定义12的所有Pareto最优解的集合称为Pareto最优解集。所有Pareto最优解对应的目标函数值所形成的区域称为Pareto前端。
本实施例根据定义11的Pareto支配原则来判定粒子之间的支配关系,考虑两个优化目标:线长和最大汇路径长度,故m=2,分别记为fwl和fpl,其中fwl是布线树的线长代价函数,fpl是布线树的半径代价函数。fwl和fpl的计算公式如公式(10)、(11):
其中,T为布线树,l(ei),l(ej)分别表示边ei和边ej的长度,pathm(s0,si)代表源点s0和汇点si之间的路径。
5.步骤S23:
最近最优社会学习策略。
本实施例通过改变粒子的社会学习对象,使得同一次迭代中所有粒子的社会学习对象尽可能不同,并且在多次迭代中同一个粒子的学习对象也在不断变化,时刻维持种群的多样化,从而有机会跳出局部极值。最近最优社会学习策略的具体实现步骤如下:
(1)利用目标距离函数计算出粒子与每一个Pareto最优解的距离,具体公式如公式(12)所示。其中,fdij表示粒子Xi和Xj之间的距离,Xj是外部文档中任意一个最优解粒子。
fdij=|fwl(Xi)-fwl(Xj)|+|fpl(Xi)-fpl(Xj)|,i≠j (12)
(2)现在fdij值最小的粒子作为当前粒子Xi的最近最优解,即粒子的社会学习对象。
(3)按照步骤S21更新过程进行社会学习。
最近最优社会学习模式如图7所示。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的时延驱动的非曼哈顿结构Steiner最小树构建方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (8)
1.一种时延驱动的非曼哈顿结构Steiner最小树构建方法,其特征在于,包括以下步骤:
步骤S1:采用X结构的Prim-Dijkstra模型初始化布线树;
步骤S2:采用基于Pareto支配思想的多目标优化方法,寻找获得一个能平衡总线长和最大汇路径长度的X结构Steiner树,以最终优化布线树的最大汇时延和总时延。
2.根据权利要求1所述的时延驱动的非曼哈顿结构Steiner最小树构建方法,其特征在于:
在步骤S2中,所述基于Pareto支配思想的多目标优化方法的执行包括以下步骤:
步骤S21:执行基于PSP点变换和边重构的更新策略;
步骤S22:执行基于Pareto支配思想的多目标优化策略;
步骤S23:执行最近最优社会学习策略。
3.根据权利要求1所述的时延驱动的非曼哈顿结构Steiner最小树构建方法,其特征在于:
所述Prim-Dijkstra模型描述如下:
设一个线网N的顶点集合为V={s0,s1,...,sn-1},其中s0为源点,其余点为汇点;在布线开始时,树T仅由s0组成,然后迭代地添加汇点sj和边eij到树T中,要求最小化代价函数:
γ·cost(si)+cost(si,sj)s.t.si∈T,sj∈V-T (1)
其中,cost(si)为源点s0到汇点si的最短路径上的总代价,cost(si,sj)为汇点si和汇点sj之间边的代价;当γ=0时,Prim-Dijkstra算法等价于Prim算法,此时构建的树T是一棵Steiner最小树;当γ=1时,Prim-Dijkstra算法等价于Dijkstra算法,此时构建的树T是一棵最短路径树;当γ越接近0时,PD倾向于构建一棵线长代价较小而半径较大的生成树;当γ越接近1时,PD倾向于构建一棵半径较小而线长代价较大的生成树。
6.根据权利要求2所述的时延驱动的非曼哈顿结构Steiner最小树构建方法,其特征在于:
步骤S21具体包括以下内容:
引入变异和交叉算子,粒子遵循以下的更新公式:
其中,ω为惯性权重因子,决定了粒子变异的概率;c1和c2为加速因子,决定了粒子两次交叉的概率;NF1为变异操作,代表惯性保持部分;NF2和NF3为交叉操作,分别代表粒子的个体认知和社会认知部分;
使用PSP点变换和边重构的更新操作;具体的更新过程如下:
步骤S211:惯性分量:
NF1通过引入变异算子和边重构策略,以完成粒子的速度更新,表示如下:
其中,MP()是针对PSP点变换的变异操作,Me()是针对边重构的变异操作;r1是[0,1)内的随机数;
如果产生的随机数r1<ω,粒子执行变异操作,否则,维持粒子当前状态;所述变异操作的具体步骤如下:1)粒子进行PSP点变换的变异操作:随机选择一条待变异的边e,移除该条边后,分别从两棵子树中各选一个引脚进行相连,得到变异后的e′;2)进行针对边重构的变异操作;
步骤S212:个体认知分量:
通过NF2完成粒子的个体认知,表示如下:
步骤S213:社会认知分量:
通过NF3完成粒子的社会认知,表示如下:
7.根据权利要求6所述的时延驱动的非曼哈顿结构Steiner最小树构建方法,其特征在于:
步骤S22具体包括以下内容:
根据Pareto支配原则判定粒子之间的支配关系,考虑两个优化目标:线长和最大汇路径长度,故m=2,分别记为fwl和fpl,其中fwl是布线树的线长代价函数,fpl是布线树的半径代价函数;fwl和fpl的计算公式如下:
其中,T为布线树,l(ei),l(ej)分别表示边ei和边ej的长度,pathm(s0,si)代表源点s0和汇点si之间的路径。
8.根据权利要求7所述的时延驱动的非曼哈顿结构Steiner最小树构建方法,其特征在于:
步骤S23具体包括以下内容:
所述最近最优社会学习策略的具体实现步骤如下:
步骤S231:利用目标距离函数计算出粒子与每一个Pareto最优解的距离,具体公式如下所示;
fdij=|fwl(Xi)-fwl(Xj)|+|fpl(Xi)-fpl(Xj)|,i≠j (12)
其中,fdij表示粒子Xi和Xj之间的距离,Xj是外部文档中任意一个最优解粒子;
步骤S232:将fdij值最小的粒子作为当前粒子Xi的最近最优解,即粒子的社会学习对象;
步骤S233:按照步骤S21更新过程进行社会学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342713.8A CN112395822B (zh) | 2020-11-26 | 2020-11-26 | 时延驱动的非曼哈顿结构Steiner最小树构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342713.8A CN112395822B (zh) | 2020-11-26 | 2020-11-26 | 时延驱动的非曼哈顿结构Steiner最小树构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395822A true CN112395822A (zh) | 2021-02-23 |
CN112395822B CN112395822B (zh) | 2022-08-09 |
Family
ID=74604010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342713.8A Active CN112395822B (zh) | 2020-11-26 | 2020-11-26 | 时延驱动的非曼哈顿结构Steiner最小树构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395822B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919280A (zh) * | 2021-10-12 | 2022-01-11 | 福州大学 | 基于两阶段竞争粒子群优化的时延驱动xsmt构建方法 |
CN113947057A (zh) * | 2021-12-20 | 2022-01-18 | 南京集成电路设计服务产业创新中心有限公司 | 一种基于查找表的完备最优斯坦纳树构建方法 |
CN114091386A (zh) * | 2021-11-16 | 2022-02-25 | 福州大学 | 分布式存储下微流控芯片应用映射与控制系统设计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527680A (zh) * | 2009-02-20 | 2009-09-09 | 西部矿业股份有限公司 | 基于ddmc的时延约束组播路由的方法 |
US20130086534A1 (en) * | 2011-09-30 | 2013-04-04 | Min Zhao | Method for determining wire lengths between nodes using a rectilinear steiner minimum tree (rsmt) with existing pre-routes algorithm |
CN107247844A (zh) * | 2017-06-10 | 2017-10-13 | 福州大学 | 基于自适应PSO和混合转换策略的X结构Steiner最小树算法 |
CN110059405A (zh) * | 2019-04-16 | 2019-07-26 | 福州大学 | X结构下带差分进化的高质量Steiner最小树构建方法 |
CN111539181A (zh) * | 2020-04-28 | 2020-08-14 | 福州大学 | 基于离散差分进化的多策略优化x结构最小树构建方法 |
CN111582431A (zh) * | 2020-05-14 | 2020-08-25 | 福州大学 | 一种两步式X结构Steiner最小树构建方法 |
-
2020
- 2020-11-26 CN CN202011342713.8A patent/CN112395822B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527680A (zh) * | 2009-02-20 | 2009-09-09 | 西部矿业股份有限公司 | 基于ddmc的时延约束组播路由的方法 |
US20130086534A1 (en) * | 2011-09-30 | 2013-04-04 | Min Zhao | Method for determining wire lengths between nodes using a rectilinear steiner minimum tree (rsmt) with existing pre-routes algorithm |
CN107247844A (zh) * | 2017-06-10 | 2017-10-13 | 福州大学 | 基于自适应PSO和混合转换策略的X结构Steiner最小树算法 |
CN110059405A (zh) * | 2019-04-16 | 2019-07-26 | 福州大学 | X结构下带差分进化的高质量Steiner最小树构建方法 |
CN111539181A (zh) * | 2020-04-28 | 2020-08-14 | 福州大学 | 基于离散差分进化的多策略优化x结构最小树构建方法 |
CN111582431A (zh) * | 2020-05-14 | 2020-08-25 | 福州大学 | 一种两步式X结构Steiner最小树构建方法 |
Non-Patent Citations (2)
Title |
---|
(美)阿南萨拉姆•斯瓦米 等: "《无线传感器网络信号处理与通信》", 31 December 2015, 西安交通大学出版社 * |
郭文忠 等: "一种求解多目标最小生成树问题的有效离散粒子群优化算法", 《模式识别与人工智能》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919280A (zh) * | 2021-10-12 | 2022-01-11 | 福州大学 | 基于两阶段竞争粒子群优化的时延驱动xsmt构建方法 |
CN114091386A (zh) * | 2021-11-16 | 2022-02-25 | 福州大学 | 分布式存储下微流控芯片应用映射与控制系统设计方法 |
CN113947057A (zh) * | 2021-12-20 | 2022-01-18 | 南京集成电路设计服务产业创新中心有限公司 | 一种基于查找表的完备最优斯坦纳树构建方法 |
CN113947057B (zh) * | 2021-12-20 | 2022-04-01 | 南京集成电路设计服务产业创新中心有限公司 | 一种基于查找表的完备最优斯坦纳树构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112395822B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395822B (zh) | 时延驱动的非曼哈顿结构Steiner最小树构建方法 | |
CN111582431B (zh) | 一种两步式X结构Steiner最小树构建方法 | |
CN110795907B (zh) | 一种考虑布线资源松弛的X结构Steiner最小树构造方法 | |
CN102413029B (zh) | 基于分解的局部搜索多目标复杂动态网络社区划分方法 | |
CN112181867B (zh) | 基于多目标遗传算法的片上网络内存控制器布局方法 | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
CN105205205A (zh) | 基于网表位置信息最优划分的fpga粗粒度并行布线方法 | |
CN112528591A (zh) | 一种基于联合蒙特卡洛树搜索的pcb板自动布线方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN112464611B (zh) | 一种基于云端协同智能处理的pcb自动布线系统 | |
WO2021253745A1 (zh) | X结构下考虑障碍内布线的Steiner树构建方法 | |
Li et al. | Coevolutionary framework for generalized multimodal multi-objective optimization | |
CN116151384B (zh) | 量子电路处理方法、装置及电子设备 | |
Yu et al. | Dynamic density clustering ant colony algorithm with filtering recommendation backtracking mechanism | |
CN115271273A (zh) | 基于改进鲸鱼优化算法的旅行商问题求解方法及系统 | |
CN114969234A (zh) | 一种面向全量城市路网的向量表征方法 | |
CN113514072B (zh) | 一种面向导航数据与大比例尺制图数据的道路匹配方法 | |
CN114896746A (zh) | 一种海上风电场集电系统拓扑优化方法 | |
CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
CN114282484A (zh) | 基于改进天牛须算法的异构三维片上网络的布图优化方法、装置、设备及介质 | |
CN113919280B (zh) | 基于两阶段竞争粒子群优化的时延驱动xsmt构建方法 | |
CN109587080A (zh) | 一种基于拓扑划分的片上网络快速映射算法 | |
Huang et al. | Solving multi-objective optimization problems using self-adaptive harmony search algorithms | |
CN116307328A (zh) | 一种旅行商问题的贪婪求解方法 | |
CN109256774A (zh) | 一种基于电压等级的电网子图划分方法及装置 |
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 |