CN113065310B - 基于粒子群算法的连续微流体生物芯片高级综合设计方法 - Google Patents
基于粒子群算法的连续微流体生物芯片高级综合设计方法 Download PDFInfo
- Publication number
- CN113065310B CN113065310B CN202110337821.4A CN202110337821A CN113065310B CN 113065310 B CN113065310 B CN 113065310B CN 202110337821 A CN202110337821 A CN 202110337821A CN 113065310 B CN113065310 B CN 113065310B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- particle
- list
- binding
- flow channel
- 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
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
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种基于粒子群算法的连续微流体生物芯片高级综合设计方法,包括以下步骤:步骤S1:根据时序图以及所给定的组件类型与数量对粒子群进行初始化;步骤S2:对每个粒子使用列表调度算法,进一步得到每个粒子的调度解;步骤S3:根据该绑定与调度解计算该粒子的适应度函数值;步骤S4:根据个体历史最优解和全局历史最优解迭代更新粒子,若当前迭代次数达到迭代阈值,则得到最优的绑定与调度方案。本发明能在不牺牲生化反应执行时间的前提下,得到需要更少流通道交叉点数量的绑定与调度方案。
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,具体涉及一种基于粒子群算法的连续微流体生物芯片高级综合设计方法。
背景技术
过去近十年中,微流体生物芯片因其试剂/样品消耗低、制造成本低以及生化反应执行效率高等原因,受到越来越多研究人员的关注,并被广泛地应用在多个领域中。而随着微流体生物芯片的广泛应用以及研究的不断深入开展,越来越多的设计挑战被提出,也就需要有更多新的设计优化算法和工艺。
微流体生物芯片主要可以分为数字微流体生物芯片和连续微流体生物芯片。对于连续微流体生物芯片的设计过程,主要可以分为以下几个步骤:高级综合设计、流层中的布局与布线设计、控制层中的阀门寻址以及控制通道布线设计。高级综合设计所产生的绑定与调度结果是流层设计的输入之一,因此绑定与调度结果的质量将会直接影响到流层设计中的布局与布线,从而也会影响到整个连续微流控生物芯片的设计结果质量。为了能够得到更好地得到连续微流控生物芯片的流层设计与控制层设计结果,可以将流层设计中的流通道交叉点数量目标加入到高级综合设计的考虑和约束中,从而得到更好的生物芯片设计结果。
在高级综合阶段,需要根据输入的序列图进行绑定与调度。序列图由复杂的生物测定协议建模而成,序列图中的每个节点都表示一个特定类型的操作(如混合、加热、过滤、检测等)以及相应的执行时间,而连接两个节点的边则表示两个操作之间的从属关系,如图1所示,其为包含10个操作的时序图。根据序列图,将操作绑定到相应的生化组件上,并设计操作的调度方案,最终得到如图2所示的绑定与调度方案。
一般的高层综合设计算法都是只以最小化生化反应时间为目的,只通过列表调度算法对操作进行绑定与调度,这样的考虑不够全面,忽视了其他的约束和影响。因此,为了再高层综合设计中考虑更多问题,有些研究人员提出了在设计过程中将生化反应过程中的液体存储次数和所产生的控制端口数量等进行考虑和约束。但针对于流通道交叉点数量的考虑,目前还没有研究人员提出。高层综合设计已经被证明是NP难问题,当所涉及的组件数和操作数较大时,往往很难得到最优解。
发明内容
有鉴于此,本发明的目的在于提供一种基于粒子群算法的连续微流体生物芯片高级综合设计方法,以优化流通道交叉点数量、生化反应执行时间为目标,最终得到较好的绑定与调度方案。
为实现上述目的,本发明采用如下技术方案:
一种基于粒子群算法的连续微流体生物芯片高级综合设计方法,包括以下步骤:
步骤S1:根据时序图以及所给定的组件类型与数量对粒子群进行初始化;
步骤S2:对每个粒子使用列表调度算法,进一步得到每个粒子的调度解;
步骤S3:根据该绑定与调度解计算该粒子的适应度函数值;
步骤S4:根据个体历史最优解和全局历史最优解迭代更新粒子,若当前迭代次数达到迭代阈值,则得到最优的绑定与调度方案。
进一步的,所述步骤S1具体为:粒子群中的每个粒子的位置向量根据时序图以及所给定的组件类型与数量进行编码,编码完成后,每个粒子代表着一组操作对应所要绑定的组件的组合。
进一步的,所述步骤S2具体为:
步骤S21:根据时序图,计算每个操作的优先级,当操作就绪时会被加入到列表中,列表中的操作将会根据优先级进行调度;
步骤S22:通过对粒子调用列表调度算法,得到一组绑定与调度方案及该绑定与调度方案下生化反应完成时间。
进一步的,所述列表调度算法首先根据时序图,计算每个操作的优先级,先把已经就绪可以执行的操作加入到列表中,根据列表中操作的优先级取出操作进行调度,优先级越高的操作越优先进行调度;调度完成,则更新其他操作状态,若有新的就绪操作,则加入到列表中,并重新按照操作的优先级进行调度。当列表中没有操作时,调度完成;同时,最后一个调度的操作的完成时间,即为整个生化反应的完成时间。
进一步的,所述粒子的适应度函数值由流通道交叉点数量和生化反应完成时间的加权得到
FTI=αT+βI
其中T为生化反应的执行时间,I为流通道交叉点数量,α和β为权重因子。
进一步的,所述流通道交叉点数量根据已知的绑定与调度方案,获取所需组件之间的连接关系,从而计算出所需要的开关数量,即流通道交叉点数量。
本发明与现有技术相比具有以下有益效果:
本发明能在不牺牲生化反应执行时间的前提下,得到需要更少流通道交叉点数量的绑定与调度方案。
附图说明
图1是本发明一实施例中包含10个操作的时序图;
图2是本发明一实施例中根据图1所得到的一种绑定与调度方案图;
图3是本发明一实施例中所使用粒子群优化算法的粒子更新图。
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3,本发明提供一种基于粒子群算法的连续微流体生物芯片高级综合设计方法,包括以下步骤:
步骤S1:根据时序图以及所给定的组件类型与数量对粒子群进行初始化;
在本实施例中,粒子群中的每个粒子的位置向量会根据时序图以及所给定的组件类型与数量进行编码,编码完成后,每个粒子代表着一组操作对应所要绑定的组件的组合。
步骤S2:对每个粒子使用列表调度算法,进一步得到每个粒子的调度解;
在本实施例中,粒子初始化后,对每个粒子使用列表调度算法,从而得到一个完整的绑定与调度方案。
优选的,列表调度算法首先根据时序图,计算每个操作的优先级,先把已经就绪可以执行的操作加入到列表中,根据列表中操作的优先级取出操作进行调度,优先级越高的操作越优先进行调度。调度完成,则更新其他操作状态,若有新的就绪操作,则加入到列表中,并重新按照操作的优先级进行调度。当列表中没有操作时,调度完成。同时,最后一个调度的操作的完成时间,即为整个生化反应的完成时间。
步骤S3:根据该绑定与调度解计算该粒子的适应度函数值;
在本实施例中,在高层综合设计中加入了流通道交叉点数量的考虑,而生化反应完成时间是整个连续微流体生物芯片非常重要的指标之一,因此,粒子的适应度函数值由流通道交叉点数量和生化反应完成时间的加权得到。
FTI=αT+βI
其中T为生化反应的执行时间,I为流通道交叉点数量,α和β为权重因子。
当每个粒子都计算完适应度函数值,便更新个体历史最优解以及全局历史最优解,并根据个体历史最优解和全局历史最优解更新成为新的粒子,重新进行适应度函数值计算。迭代完成后,最后的全局历史最优解即为最终的方案。
优选的,算法采用C++编写,并在CPU为3.20GHz和RAM为8.00GB的Windows 10环境执行。
步骤S4:根据个体历史最优解和全局历史最优解迭代更新粒子,若当前迭代次数达到迭代阈值,则得到最优的绑定与调度方案。
在本实施例中,连续微流体生物芯片上的组件通常只有两个端口,每个组件最多只能连接两个其他的组件。当一个组件需要连接到多个另外的组件时,就需要加入进行液体运输方向控制的开关,即在流通道交叉点处通过放置阀门。
在对粒子使用列表调度算法后,每个粒子都可以得到一个对应的绑定与调度方案。之后根据该绑定与调度方案,可以获得所需组件之间的连接关系,如果一个组件需要连接其他组件数量大于2,则需要加入开关,即会产生流通道交叉点。加入开关后,更新与该开关相连的组件的连接关系。重复该操作,直到所有组件的连接数量都不大于2时,则可得到最后所需的最少流通道交叉点数量。
实施例1:
为了验证所提出方法的有效性,将所提出的方法和不考虑流通道交叉点数量只使用列表调度的高级综合设计方法在相同的环境下,通过6组不同的测试数据,在生化反应完成时间、所产生的流通道交叉点数量以及CPU时间进行对比,这6组测试数据的具体操作数、所分配的四种组件的数量如表1所示,其中这四种组件依次为:混合器、加热器、过滤器以及探测器,实验结果则如表2所示。通过实验可以得到,由于PCR和Synthetic 1中所包含的操作总数量较少,执行相应的生化反应所产生的交叉点数量同样较少,所产生的流通道交叉点数量一致。而在另外4个测试用例上,在生化反应执行时间基本一致的前提下,所需最少流通道交叉点数量减少了41.7%-55.6%。在所有6个测试用例上,流通道交叉点数量平均减少了33.8%。虽然增加了CPU时间,但所提出的方法能在不牺牲生化反应执行时间的前提下,得到需要更少流通道交叉点数量的绑定与调度方案。
表1.测试数据所包含操作数与分配的四种组件数量
测试用例 | 操作数 | 分配组件数量 |
PCR | 7 | (3,0,0,0) |
Synthetic1 | 10 | (3,1,1,0) |
Synthetic2 | 20 | (3,3,2,1) |
Synthetic3 | 30 | (5,2,2,2) |
Synthetic4 | 40 | (6,4,4,2) |
Synthetic5 | 50 | (7,4,4,3) |
表2.所提出方法与只使用列表调度算法的比较
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 (3)
1.一种基于粒子群算法的连续微流体生物芯片高级综合设计方法,其特征在于,包括以下步骤:
步骤S1:根据时序图以及所给定的组件类型与数量对粒子群进行初始化;
步骤S2:对每个粒子使用列表调度算法,得到每个粒子的调度解;
步骤S3:根据绑定与调度解计算该粒子的适应度函数值;
步骤S4:根据个体历史最优解和全局历史最优解迭代更新粒子,若当前迭代次数达到迭代阈值,则得到最优的绑定与调度方案;
所述步骤S1具体为:粒子群中的每个粒子的位置向量根据时序图以及所给定的组件类型与数量进行编码,编码完成后,每个粒子代表着一组操作对应所要绑定的组件的组合;
所述步骤S2具体为:
步骤S21:根据时序图,计算每个操作的优先级,当操作就绪时会被加入到列表中,列表中的操作将会根据优先级进行调度;
步骤S22:通过对粒子调用列表调度算法,得到一组绑定与调度方案及该绑定与调度方案下生化反应完成时间;
所述列表调度算法首先根据时序图,计算每个操作的优先级,先把已经就绪可以执行的操作加入到列表中,根据列表中操作的优先级取出操作进行调度,优先级越高的操作越优先进行调度;调度完成,则更新其他操作状态,若有新的就绪操作,则加入到列表中,并重新按照操作的优先级进行调度;当列表中没有操作时,调度完成;同时,最后一个调度的操作的完成时间,即为整个生化反应的完成时间。
2.根据权利要求1所述的基于粒子群算法的连续微流体生物芯片高级综合设计方法,其特征在于,所述粒子的适应度函数值由流通道交叉点数量和生化反应完成时间的加权得到
FTI=αT+βI
其中T为生化反应的执行时间,I为流通道交叉点数量,α和β为权重因子。
3.根据权利要求2所述的基于粒子群算法的连续微流体生物芯片高级综合设计方法,其特征在于,所述流通道交叉点数量根据已知的绑定与调度方案,获取所需组件之间的连接关系,从而计算出所需要的开关数量,即流通道交叉点数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110337821.4A CN113065310B (zh) | 2021-03-30 | 2021-03-30 | 基于粒子群算法的连续微流体生物芯片高级综合设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110337821.4A CN113065310B (zh) | 2021-03-30 | 2021-03-30 | 基于粒子群算法的连续微流体生物芯片高级综合设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065310A CN113065310A (zh) | 2021-07-02 |
CN113065310B true CN113065310B (zh) | 2022-06-14 |
Family
ID=76564613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110337821.4A Active CN113065310B (zh) | 2021-03-30 | 2021-03-30 | 基于粒子群算法的连续微流体生物芯片高级综合设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065310B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836842B (zh) * | 2021-09-27 | 2023-08-11 | 福州大学 | 考虑流体操作和通道存储的连续微流控生物芯片设计方法 |
CN113807042B (zh) * | 2021-09-27 | 2023-12-26 | 福州大学 | 连续微流控生物芯片下基于序列对的流层物理设计方法 |
CN115130400B (zh) * | 2022-05-31 | 2024-08-23 | 福州大学 | 连续微流控生物芯片控制模式分配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252383A (zh) * | 2014-09-16 | 2014-12-31 | 江苏科技大学 | 基于混沌粒子群算法的可重构计算的软硬件任务划分方法 |
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 |
CN110928648A (zh) * | 2019-12-10 | 2020-03-27 | 浙江工商大学 | 融合启发式和智能计算的云工作流分段在线调度优化方法 |
CN111510334A (zh) * | 2020-04-21 | 2020-08-07 | 中国电子科技集团公司第五十四研究所 | 一种基于粒子群算法的vnf在线调度方法 |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11599752B2 (en) * | 2019-06-03 | 2023-03-07 | Cerebri AI Inc. | Distributed and redundant machine learning quality management |
-
2021
- 2021-03-30 CN CN202110337821.4A patent/CN113065310B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252383A (zh) * | 2014-09-16 | 2014-12-31 | 江苏科技大学 | 基于混沌粒子群算法的可重构计算的软硬件任务划分方法 |
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 |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
CN110928648A (zh) * | 2019-12-10 | 2020-03-27 | 浙江工商大学 | 融合启发式和智能计算的云工作流分段在线调度优化方法 |
CN111510334A (zh) * | 2020-04-21 | 2020-08-07 | 中国电子科技集团公司第五十四研究所 | 一种基于粒子群算法的vnf在线调度方法 |
Non-Patent Citations (1)
Title |
---|
郭文忠 等.基于混合离散粒子群优化的轨道分配算法.《模式识别与人工智能》.2019, * |
Also Published As
Publication number | Publication date |
---|---|
CN113065310A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065310B (zh) | 基于粒子群算法的连续微流体生物芯片高级综合设计方法 | |
Tseng et al. | Storage and caching: Synthesis of flow-based microfluidic biochips | |
Yuh et al. | BioRoute: A network-flow-based routing algorithm for the synthesis of digital microfluidic biochips | |
Tseng et al. | Columba: Co-layout synthesis for continuous-flow microfluidic biochips | |
Thies et al. | Abstraction layers for scalable microfluidic biocomputing | |
Minhass et al. | System-level modeling and synthesis of flow-based microfluidic biochips | |
Grimmer et al. | Close-to-optimal placement and routing for continuous-flow microfluidic biochips | |
Keszocze et al. | Exact one-pass synthesis of digital microfluidic biochips | |
Chen et al. | Physical synthesis of flow-based microfluidic biochips considering distributed channel storage | |
Hsieh et al. | Biochip synthesis and dynamic error recovery for sample preparation using digital microfluidics | |
Zhao et al. | Broadcast electrode-addressing and scheduling methods for pin-constrained digital microfluidic biochips | |
Huang et al. | PathDriver+: Enhanced path-driven architecture design for flow-based microfluidic biochips | |
Huang et al. | BigIntegr: One-pass architectural synthesis for continuous-flow microfluidic lab-on-a-chip systems | |
Haynes et al. | Corrected penalty-functional method for linear-scaling calculations within density-functional theory | |
Minhass et al. | Synthesis of biochemical applications on flow-based microfluidic biochips using constraint programming | |
Li et al. | Sieve-valve-aware synthesis of flow-based microfluidic biochips considering specific biological execution limitations | |
Huang et al. | Flow-based microfluidic biochips with distributed channel storage: Synthesis, physical design, and wash optimization | |
Xu et al. | Integrated droplet routing and defect tolerance in the synthesis of digital microfluidic biochips | |
Curtis et al. | A compiler for cyber-physical digital microfluidic biochips | |
Huang et al. | PathDriver: A path-driven architectural synthesis flow for continuous-flow microfluidic biochips | |
Eskesen et al. | Architecture synthesis for cost-constrained fault-tolerant flow-based biochips | |
CN112836397B (zh) | 连续微流控生物芯片下存储最小化的高级综合设计方法 | |
McDaniel et al. | Automatic synthesis of microfluidic large scale integration chips from a domain-specific language | |
Liao et al. | Physical-level synthesis for digital lab-on-a-chip considering variation, contamination, and defect | |
Zhao et al. | Co-optimization of droplet routing and pin assignment in disposable digital microfluidic biochips |
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 |