CN113723043B - 一种门级电路图划分方法 - Google Patents
一种门级电路图划分方法 Download PDFInfo
- Publication number
- CN113723043B CN113723043B CN202111027988.7A CN202111027988A CN113723043B CN 113723043 B CN113723043 B CN 113723043B CN 202111027988 A CN202111027988 A CN 202111027988A CN 113723043 B CN113723043 B CN 113723043B
- Authority
- CN
- China
- Prior art keywords
- individual
- initial
- individuals
- fitness
- 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.)
- Active
Links
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
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- 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
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Architecture (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例中提供了一种门级电路图划分方法,属于电学技术领域,具体包括:读取无向邻接矩阵;得到初始种群;根据接收到的划分指令和寻优算法,分别将每个初始个体内的顶点编码并划分为多个子集;迭代进行随机单点顺序交叉操作,得到交叉个体;形成更新种群;得到变异个体;将更新种群中适应度小于变异个体的适应度的个体替换为变异个体,得到目标种群;根据寻优算法,将目标种群中适应度最大的个体作为待划分电路图的目标划分结果。通过本公开的方案,通过设定交叉概率、变异概率和子图区间,减少了获得全局最优门级电路图划分结果的时间,可获得相对均衡的门级电路图划分结果,并通过寻优算法增强局部处理能力,提高了划分的效率和精准度。
Description
技术领域
本公开实施例涉及电学技术领域,尤其涉及一种门级电路图划分方法。
背景技术
目前,随着集成电路制造工艺的迅速发展,一块芯片上所能集成的电路元件越来越多,加上存储空间的局限性和封装工艺的限制,对集成电路设计方法提出了新的挑战,现有的设计工具和综合工具已难以满足要求。集成电路的物理设计分为几个过程:电路分割、布图规划、布局、总体布线、详细布线。电路分割的结果直接影响后续的布图、布局和布线等物理设计过程。电路分割技术可以把由门级单元电路组成的集成电路分割成多个子电路,这样可以高效实现门级电路的并行仿真,从而有效降低集成电路设计的复杂性和时间复杂度。
现在针对门级电路图划分的主流方法有:几何方法,该方法必须要有顶点的坐标,没有考虑顶点之间的关联程度问题,因而图划分代价可能比较大因而分割质量不理;Kernighan-Lin方法局部搜索能力强,但容易陷入局部最优、不适合处理大规模集成电路。FM方法,该类方法不需要知道顶点的坐标信息,而是需要根据顶点之间的连接信息进行分割,但其容易陷入局部最优,得到的解的质量往往只是最优解的一半;多路划分方法包含粗化、初始化分、细化,可以在相对较短的时间内提供高质量的分割,但其根据元件之间边权进行划分,目前对于的电路中元件间的边权还没有很好的衡量方法。遗传算法是将种群中的每个个体作为一个可行解,其过程为先初始化种群,再对种群中的个体进行编码、交叉、变异、解码等操作,多次进化操作后获得问题的全局最优解,但其局部搜索能力差。
可见,亟需一种高效精准的门级电路图划分方法。
发明内容
有鉴于此,本公开实施例提供一种门级电路图划分方法,至少部分解决现有技术中存在计算量大,划分效率和精准度较低的问题。
本公开实施例提供了一种门级电路图划分方法,包括:
读取待划分电路图的无向邻接矩阵;
初始化所述无向邻接矩阵,得到初始种群,其中所述初始种群包括多个初始个体及每个所述初始个体对应的选择值;
根据接收到的划分指令和寻优算法,分别将每个所述初始个体内的顶点编码并划分为多个子集;
将所述初始种群中所述选择值小于所述交叉概率的初始个体迭代进行随机单点顺序交叉操作,得到交叉个体;
若所述交叉个体的适应度大于所述初始个体的适应度,则将所述交叉个体替换所述初始个体并与所述初始种群中的其他所述初始个体形成更新种群;
将所述更新种群中选择值小于所述变异概率的个体定义为目标个体,并对全部所述目标个体中全部所述子集内顶点迭代进行变异操作,得到变异个体;
将所述更新种群中适应度小于所述变异个体的适应度的个体替换为所述变异个体,得到目标种群;
根据所述寻优算法,将所述目标种群中适应度最大的个体作为所述待划分电路图的目标划分结果。
根据本公开实施例的一种具体实现方式,所述读取有待划分电路图的无向邻接矩阵的步骤,包括:
读取所述待划分电路图对应的有向邻接矩阵;
将非对称的有向邻接矩阵转换为对称的无向邻接矩阵。
根据本公开实施例的一种具体实现方式,所述选择值为个体适应度值与当前种群中个体最大适应度值的比值;
所述个体适应度为个体内全部所述顶点的内度和与全部所述顶点的外度平方和的差值。
根据本公开实施例的一种具体实现方式,所述寻优算法为GRASP算法,所述根据接收到的划分指令和寻优算法,分别将每个所述初始个体内的顶点编码并划分为多个子集的步骤,包括:
根据所述子图规模区间将每个所述初始个体划分为多个子集;
根据所述待划分电路图的电路信息,对所述初始个体中的每个顶点进行编码;
计算所述初始个体中每个顶点的适应度和所述初始个体的平均顶点适应度,并分别将每个所述子集中多个适应度高的顶点移动至其他子集,得到新个体;
根据所述GRASP算法将每个所述子集中适应度大于所述初始个体的平均顶点适应度的顶点移动至其他子集;
若所述新个体的适应度大于所述初始个体的适应度,则将所述新个体替换所述初始个体并与所述初始种群中其他所述初始个体形成更新后的初始种群。
根据本公开实施例的一种具体实现方式,所述顶点的适应度为顶点外度平方与内度之差。
根据本公开实施例的一种具体实现方式,所述对全部所述目标个体中全部所述子集内顶点迭代进行变异操作,得到变异个体的步骤,包括:
计算所述目标个体的平均顶点适应度;
从所述目标个体的每个所述子集中选取适应度大于所述目标个体的平均顶点适应度的顶点,形成变异顶点集合;
变化所述变异顶点集合的所属子集,得到所述变异个体。
本公开实施例中的门级电路图划分方案,包括:读取待划分电路图的无向邻接矩阵;初始化所述无向邻接矩阵,得到初始种群,其中所述初始种群包括多个初始个体及每个所述初始个体对应的选择值;根据接收到的划分指令和寻优算法,分别将每个所述初始个体内的顶点编码并划分为多个子集,其中,所述划分指令包括交叉概率、变异概率和子图规模区间;将所述初始种群中所述选择值小于所述交叉概率的初始个体迭代进行随机单点顺序交叉操作,得到交叉个体;若所述交叉个体的适应度大于所述初始个体的适应度,则将所述交叉个体替换所述初始个体并与所述初始种群中的其他所述初始个体形成更新种群;将所述更新种群中选择值小于所述变异概率的个体定义为目标个体,并对全部所述目标个体中全部所述子集内顶点迭代进行变异操作,得到变异个体;将所述更新种群中适应度小于所述变异个体的适应度的个体替换为所述变异个体,得到目标种群;根据所述寻优算法,将所述目标种群中适应度最大的个体作为所述待划分电路图的目标划分结果。
本公开实施例的有益效果为:通过本公开的方案,在根据电路图的无向邻接矩阵得到初始种群后,通过设定交叉概率、变异概率和子图区间,减少了获得全局最优门级电路图划分结果的时间,可获得相对均衡的门级电路图划分结果,并通过寻优算法增强局部处理能力,提高了划分的效率和精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种门级电路图划分方法的流程示意图;
图2为本公开实施例提供的一种门级电路图划分方法涉及的划分结果示意图;
图3为本公开实施例提供的一种门级电路图划分方法的部分流程示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
近年来,随着集成电路制造工艺的迅速发展,一块芯片上所能集成的电路元件越来越多,加上存储空间的局限性和封装工艺的限制,对集成电路设计方法提出了新的挑战,现有的设计工具和综合工具已难以满足要求。集成电路的物理设计分为几个过程:电路分割、布图规划、布局、总体布线、详细布线。电路分割的结果直接影响后续的布图、布局和布线等物理设计过程。电路分割技术可以把由门级单元电路组成的集成电路分割成多个子电路,这样可以高效实现门级电路的并行仿真,从而有效降低集成电路设计的复杂性和时间复杂度。
现在针对门级电路图划分的主流方法:几何方法,该方法必须要有顶点的坐标,没有考虑顶点之间的关联程度问题,因而图划分代价可能比较大因而分割质量不理;BrianKernighan和ShenLin提出Kernighan-Lin方法局部搜索能力强,但容易陷入局部最优、不适合处理大规模集成电路。Fiduccia和Mattheyses提出了FM方法,该类方法不需要知道顶点的坐标信息,而是需要根据顶点之间的连接信息进行分割,但其容易陷入局部最优,得到的解的质量往往只是最优解的一半;Karypis提出了多路划分方法包含粗化、初始化分、细化,可以在相对较短的时间内提供高质量的分割,但其根据元件之间边权进行划分,目前对于的电路中元件间的边权还没有很好的衡量方法。MOONBR等人提出的遗传算法是将种群中的每个个体作为一个可行解,其过程为先初始化种群,再对种群中的个体进行编码、交叉、变异、解码等操作,多次进化操作后获得问题的全局最优解,但其局部搜索能力差。
现有的针对门级电路图划分方法比较少,划分得到的子图之间的连接数目对于并行仿真的效率影响很大。因此,如何高效获得子图规模均衡且不同子图间连接代价少的门级电路图划分结果是目前门级电路图划分领域非常热门的研究课题。
本公开实施例提供一种门级电路图划分方法,所述方法可以应用于集成电路制造场景的电路分割过程中。
参见图1,为本公开实施例提供的一种门级电路图划分方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,读取待划分电路图的无向邻接矩阵;
具体实施时,可以根据所述待划分电路图进行转换,得到对应的所述无向邻接矩阵,以便于生成的数据更容易进行划分。
S102,初始化所述无向邻接矩阵,得到初始种群,其中所述初始种群包括多个初始个体及每个所述初始个体对应的选择值;
具体实施时,在得到所述无向邻接矩阵后,可以将所述无向邻接矩阵进行初始化操作,随机生成多个初始个体,所述初始个体中包含多个对应所述待分行电路图中门的顶点,并分别将每个所述初始个体内的全部所述顶点随机划分,然后计算每个所述初始个体对应的选择值。
S103,根据接收到的划分指令和寻优算法,分别将每个所述初始个体内的顶点编码并划分为多个子集,其中,所述划分指令包括交叉概率、变异概率和子图规模区间;
可选的,所述选择值为个体适应度值与当前种群中个体最大适应度值的比值;
所述个体适应度为个体内全部所述顶点的内度和与全部所述顶点的外度平方和的差值。
具体实施时,可以根据所述待划分电路图的具体大小生成不同的划分指令,然后分别将每个所述初始个体内的顶点编码,即每个顶点的编号作为其对应的编码,这种编码方式直观易懂,不需要解码操作,提高了处理效率。
然后在编码后划分为多个子集,不同的个体拥有不同的顶点排列顺序,按照顶点顺序进行遍历并且依据子图规模的设定即可得到包含不同顶点的多个子集即代表门级电路图划分得到的多个子图,所以不同的个体划分得到的子图不同,而每个顶点代表个体的一个“基因”,所述选择值为个体适应度值与当前种群中个体最大适应度值的比值,个体适应度值为所有子图内度与外度平方的差值之和,个体适应度值越大,即划分代价越小,代表划分结果越好。
S104,将所述初始种群中所述选择值小于所述交叉概率的初始个体迭代进行随机单点顺序交叉操作,得到交叉个体;
具体实施时,所述划分指令中的交叉概率可以包含多个,例如,可以设定在迭代次数为100次之前,所述交叉概率为0.75,在101次到200次之间,所述交叉概率为0.25,以使得在迭代前期有更多的个体参与交叉进化,增加种群的多样性,在进化后期选择较小的交叉概率,减少进行交叉的个体数量,从而减少算法的运行时间,从而保留了拥有最优基因的所有个体组成新的种群。然后将所述初始种群中所述选择值小于所述交叉概率的初始个体迭代进行随机单点顺序交叉操作,得到所述交叉个体。
例如,所述初始种群为M1,按照所述交叉概率,选择M1中个体选择值小于交叉概率的父代进行两两交叉,父代个体A和B进行交叉,在1-n内随机选择交叉点m,m代表位置,不代表顶点,1-m位置直接将A中的1-m位置顶点复制给子代a,并将m-n位置(包含m)的顶点按照父代B中的顺序将a中不存在的顶点按照B中的先后顺序复制过来。计算子代适应度值,将较大适应度值子代代替适应度值较差的父代,更新种群M1。将种群M1作为下次交叉的父代种群,每次交叉后,都保留最优的适应度值个体组成新种群,直至达到所述随机单点顺序交叉操作的迭代次数。
S105,若所述交叉个体的适应度大于所述初始个体的适应度,则将所述交叉个体替换所述初始个体并与所述初始种群中的其他所述初始个体形成更新种群;
具体实施时,可以根据个体的适应度对所述初始种群内的初始个体进行排序,在得到新的交叉个体后,可以将所述交叉个体的适应度与排序最低的初始个体的适应度进行比对,若所述交叉个体的适应度大于所述初始个体的适应度,则将所述交叉个体替换所述初始个体并与所述初始种群中的其他所述初始个体形成更新种群,交叉得到的较优子代个体替代父代中的较差个体,从而保留了拥有最优基因的所有个体组成新的种群。
S106,将所述更新种群中选择值小于所述变异概率的个体定义为目标个体,并对全部所述目标个体中全部所述子集内顶点迭代进行变异操作,得到变异个体;
具体实施时,可以将所述更新种群中选择值小于所述变异概率的个体定义为目标个体,并对全部所述目标个体中全部所述子集内顶点迭代进行变异操作,得到变异个体。需要说明的是,所述划分指令中的变异概率也可以包含多个,例如,可以设定在迭代次数为100次之前,所述变异概率为0.2,在101次到200次之间,所述变异概率为0.01,使较少的个体进行变异,减少算法的迭代时间,直至达到所述变异操作的迭代次数。
S107,将所述更新种群中适应度小于所述变异个体的适应度的个体替换为所述变异个体,得到目标种群;
具体实施时,可以将所述更新种群中适应度小于所述变异个体的适应度的个体替换为所述变异个体,例如,所述更新种群中包含个体{a1,a2,……,a50},所述变异个体为b1,b1的适应度大于a50,则将a50替换为b1,得到目标种群为{a1,a2,……,a49,b1}。
S108,根据所述寻优算法,将所述目标种群中适应度最大的个体作为所述待划分电路图的目标划分结果。
在得到所述目标种群后,可以再根据所述寻优算法进行局部寻优,对所述目标种群中每个个体的子集进行局部寻优,然后将所述目标种群中适应度最大的个体作为所述待划分电路图的目标划分结果。
如图2所示,使用具有31个门的门级电路图对改进遗传算法进行具体实施举例,顶点的邻接情况括号里的值表示该顶点的邻接顶点,例如4:[3,5,15]表示4号顶点与3、5、15号顶点邻接,整个邻接表代表门级电路图的所有顶点之间的位置关系;若将门级电路图划分为三个子图,不同子图间门级单元数相差±2,即不同子图间包含的顶点个数相差±2,按照前述图1和图2中提出的适应度函数计算公式以及实施步骤得到门级电路图划分前后的适应度值;划分结果代表该子图包含的顶点编号,例如:0:{0:1,8:2,7:2,6:2,5:2,4:3,3:2,2:2,1:2},表示0号子图包含0、1、2、3、4、5、6、7、8号顶点,而顶点后的值为该顶点的总邻接顶点个数,即该顶点的度,例如:8:2,表示8号顶点的度为2。
本实施例提供的门级电路图划分方法,通过在根据电路图的无向邻接矩阵得到初始种群后,设定交叉概率、变异概率和子图区间,减少了获得全局最优门级电路图划分结果的时间,可获得相对均衡的门级电路图划分结果,并通过寻优算法增强局部处理能力,提高了划分的效率和精准度。
在上述实施例的基础上,步骤S101所述的,读取有待划分电路图的无向邻接矩阵,包括:
读取所述待划分电路图对应的有向邻接矩阵;
将非对称的有向邻接矩阵转换为对称的无向邻接矩阵。
例如,考虑到所述待划分电路图为有向电路图,可以读入所述待划分电路图n×n的有向邻接矩阵G1,然后将非对称的矩阵G1转换为对称的无向邻接矩阵G,以便于获得更大的数据量。
在上述实施例的基础上,所述寻优算法为GRASP算法,步骤S103所述的,根据接收到的划分指令和寻优算法,分别将每个所述初始个体内的顶点编码并划分为多个子集,包括:
根据所述子图规模区间将每个所述初始个体划分为多个子集;
例如,可以根据所述划分指令中的子图规模区间,将所述每个所述初始个体划分为K个子图,所述子图规模区间即子集包含的顶点个数=总的顶点个数/K±总的顶点个数/K*调整因子,所述调整因子一般可设置在0-0.5范围内。
根据所述待划分电路图的电路信息,对所述初始个体中的每个顶点进行编码;
具体实施时,可以根据所述待划分电路图的电路信息,对所述初始个体中的每个顶点进行编码,每个顶点的编号作为其对应的编码,省略了后期解码过程,提高了计算效率。
计算所述初始个体中每个顶点的适应度和所述初始个体的平均顶点适应度,并分别将每个所述子集中多个适应度高的顶点移动至其他子集,得到新个体;
根据所述GRASP算法将每个所述子集中适应度大于所述初始个体的平均顶点适应度的顶点移动至其他子集;
若所述新个体的适应度大于所述初始个体的适应度,则将所述新个体替换所述初始个体并与所述初始种群中其他所述初始个体形成更新后的初始种群。
可选的,所述顶点的适应度为顶点外度平方与内度之差。
例如,外度即为该顶点不在其所属子集的邻接顶点个数,内度即为该顶点在其所属子集的邻接顶点个数,对个体中的顶点进行随机划分,可以根据每个顶点的外度平方与内度之差计算所述初始个体中每个顶点的适应度和所述初始个体的平均顶点适应度,并将度值最大的3个顶点分别放入能使个体适应度值达到局部最优的子集中,并对大于通过计算个体所有顶点的平均适应度值,每个子集中大于顶点平均适应度值的顶点,将被选作要移动的基因,将需移动的顶点交换到可使个体适应度值增加的的子集中形成新的个体,然后再计算所述新个体的适应度,并将所述新个体的适应度与所述初始个体的适应度进行比对,若所述新个体的适应度大于所述初始个体的适应度,则将所述新个体替换所述初始个体并与所述初始种群中其他所述初始个体形成更新后的初始种群。
在上述实施例的基础上,如图3所示,步骤S106所述的,对全部所述目标个体中全部所述子集内顶点迭代进行变异操作,得到变异个体,包括:
S301,计算所述目标个体的平均顶点适应度;
具体实施时,在得到所述目标个体后,可以根据所述目标个体内的每个所述顶点的适应度计算得到所述目标个体的平均顶点适应度。
S302,从所述目标个体的每个所述子集中选取适应度大于所述目标个体的平均顶点适应度的顶点,形成变异顶点集合;
然后可以从所述目标个体的每个所述子集中选取适应度大于所述目标个体的平均顶点适应度的顶点,例如,所述目标个体中,适应度大于所述目标个体平均顶点适应度的顶点有10个,则将10个顶点形成变异顶点集合。
S303,变化所述变异顶点集合的所属子集,得到所述变异个体。
具体实施时,考虑到顶点适应度值越大代表该顶点被划分的越不合理,越应该被移动到其它子集。按照所述变异概率,选择M1中个体选择值小于所述变异概率的父代作为所述目标个体进行变异,计算所述目标个体的平均顶点适应度值,从个体的每个子集中选取大于平均顶点适应度值的相对应的变异顶点集,变换变异顶点集所属子集,得到新的个体作为所述变异个体。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种门级电路图划分方法,其特征在于,包括:
读取待划分电路图的无向邻接矩阵;
初始化所述无向邻接矩阵,得到初始种群,其中所述初始种群包括多个初始个体及每个所述初始个体对应的选择值;
根据接收到的划分指令和寻优算法,分别将每个所述初始个体内的顶点编码并划分为多个子集,其中,所述划分指令包括交叉概率、变异概率和子图规模区间;
所述寻优算法为GRASP算法,所述根据接收到的划分指令和寻优算法,分别将每个所述初始个体内的顶点编码并划分为多个子集的步骤,包括:
根据所述子图规模区间将每个所述初始个体划分为多个子集;
根据所述待划分电路图的电路信息,对所述初始个体中的每个顶点进行编码;
计算所述初始个体中每个顶点的适应度和所述初始个体的平均顶点适应度,并分别将每个所述子集中多个适应度高的顶点移动至其他子集,得到新个体;
根据所述GRASP算法将每个所述子集中适应度大于所述初始个体的平均顶点适应度的顶点移动至其他子集;
若所述新个体的适应度大于所述初始个体的适应度,则将所述新个体替换所述初始个体并与所述初始种群中其他所述初始个体形成更新后的初始种群;
将所述初始种群中所述选择值小于所述交叉概率的初始个体迭代进行随机单点顺序交叉操作,得到交叉个体;
若所述交叉个体的适应度大于所述初始个体的适应度,则将所述交叉个体替换所述初始个体并与所述初始种群中的其他所述初始个体形成更新种群;
将所述更新种群中选择值小于所述变异概率的个体定义为目标个体,并对全部所述目标个体中全部所述子集内顶点迭代进行变异操作,得到变异个体;
将所述更新种群中适应度小于所述变异个体的适应度的个体替换为所述变异个体,得到目标种群;
根据所述寻优算法,将所述目标种群中适应度最大的个体作为所述待划分电路图的目标划分结果。
2.根据权利要求1所述的方法,其特征在于,所述读取有待划分电路图的无向邻接矩阵的步骤,包括:
读取所述待划分电路图对应的有向邻接矩阵;
将非对称的有向邻接矩阵转换为对称的无向邻接矩阵。
3.根据权利要求1所述的方法,其特征在于,所述选择值为个体适应度值与当前种群中个体最大适应度值的比值;
所述个体适应度为个体内全部所述顶点的内度和与全部所述顶点的外度平方和的差值。
4.根据权利要求1所述的方法,其特征在于,所述顶点的适应度为顶点外度平方与内度之差。
5.根据权利要求1所述的方法,其特征在于,所述对全部所述目标个体中全部所述子集内顶点迭代进行变异操作,得到变异个体的步骤,包括:
计算所述目标个体的平均顶点适应度;
从所述目标个体的每个所述子集中选取适应度大于所述目标个体的平均顶点适应度的顶点,形成变异顶点集合;
变化所述变异顶点集合的所属子集,得到所述变异个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027988.7A CN113723043B (zh) | 2021-09-02 | 2021-09-02 | 一种门级电路图划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027988.7A CN113723043B (zh) | 2021-09-02 | 2021-09-02 | 一种门级电路图划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723043A CN113723043A (zh) | 2021-11-30 |
CN113723043B true CN113723043B (zh) | 2023-09-15 |
Family
ID=78681103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111027988.7A Active CN113723043B (zh) | 2021-09-02 | 2021-09-02 | 一种门级电路图划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723043B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413029A (zh) * | 2012-01-05 | 2012-04-11 | 西安电子科技大学 | 基于分解的局部搜索多目标复杂动态网络社区划分方法 |
CN110944342A (zh) * | 2019-10-24 | 2020-03-31 | 江西理工大学 | 无线传感器网络部署优化方法、装置、系统及存储介质 |
CN111360823A (zh) * | 2020-02-24 | 2020-07-03 | 华南理工大学 | 一种汽车门板焊点焊接路径规划方法 |
CN111814005A (zh) * | 2020-07-21 | 2020-10-23 | 合肥晶奇智慧医疗科技有限公司 | 一种无向图同构检测方法 |
CN111898689A (zh) * | 2020-08-05 | 2020-11-06 | 中南大学 | 一种基于神经网络架构搜索的图像分类方法 |
CN112272120A (zh) * | 2020-12-23 | 2021-01-26 | 江苏移动信息系统集成有限公司 | 一种虚拟网络映射算法的优化方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8416869B2 (en) * | 2010-05-05 | 2013-04-09 | National Yunlin University Of Science And Technology | Peak-to-average power ratio reduction method for orthogonal frequency division multiplexing systems based on path finding |
-
2021
- 2021-09-02 CN CN202111027988.7A patent/CN113723043B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413029A (zh) * | 2012-01-05 | 2012-04-11 | 西安电子科技大学 | 基于分解的局部搜索多目标复杂动态网络社区划分方法 |
CN110944342A (zh) * | 2019-10-24 | 2020-03-31 | 江西理工大学 | 无线传感器网络部署优化方法、装置、系统及存储介质 |
CN111360823A (zh) * | 2020-02-24 | 2020-07-03 | 华南理工大学 | 一种汽车门板焊点焊接路径规划方法 |
CN111814005A (zh) * | 2020-07-21 | 2020-10-23 | 合肥晶奇智慧医疗科技有限公司 | 一种无向图同构检测方法 |
CN111898689A (zh) * | 2020-08-05 | 2020-11-06 | 中南大学 | 一种基于神经网络架构搜索的图像分类方法 |
CN112272120A (zh) * | 2020-12-23 | 2021-01-26 | 江苏移动信息系统集成有限公司 | 一种虚拟网络映射算法的优化方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于数据线控制发光的A-IGZO薄膜晶体管集成AMOLED像素电路;王兰兰等;《发光学报》;第39卷(第11期);第1549-1556页 * |
基于连接矩阵的潜在通路定性分析方法;黄聪等;《计算机测量与控制》;第24卷(第9期);第240-243页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723043A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaveh et al. | A hybrid evolutionary graph-based multi-objective algorithm for layout optimization of truss structures | |
CN104200272A (zh) | 一种基于改进遗传算法的复杂网络社区挖掘方法 | |
CN110459258B (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 | |
CN115544947B (zh) | 基于遗传算法的大规模集成电路布局优化方法 | |
CN104268077A (zh) | 基于混沌遗传算法的测试用例集约简算法 | |
CN108495252B (zh) | 基于遗传算法和模拟退火的室内定位网元优化布局方法 | |
CN116629189B (zh) | 一种集成电路的布局生成方法及装置 | |
CN106658570B (zh) | 基于二次栅格划分的移动sink信息收集路径构建方法 | |
CN111163476A (zh) | 一种基于无线传播模型的电力无线专网覆盖和干扰确定方法 | |
CN107133877B (zh) | 网络中重叠社团的挖掘方法 | |
CN113723043B (zh) | 一种门级电路图划分方法 | |
CN109599146B (zh) | 一种基于多目标遗传算法的带假结核酸结构预测方法 | |
Jain et al. | Non slicing floorplan representations in VLSI floorplanning: A summary | |
CN106508027B (zh) | 基于遗传算法的部署图点军标自动避让方法 | |
CN116307328A (zh) | 一种旅行商问题的贪婪求解方法 | |
CN113328466B (zh) | 一种电动汽车充电场景生成方法 | |
CN103714211A (zh) | 基于移动模式序列与多智能体粒子群的集成电路布图方法 | |
CN116010291A (zh) | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 | |
Laskar et al. | A survey on VLSI floorplanning: its representation and modern approaches of optimization | |
CN113963758A (zh) | 无序材料热力学稳定结构的预测推荐方法、设备、终端 | |
CN115906748B (zh) | 一种基于滑动窗口和离散差分进化算法的3d布局优化方法 | |
CN116258089B (zh) | 基于敏感性与遗传分析的燃料电池仿真优化方法和系统 | |
CN106792845B (zh) | 移动自组织网络中锚节点选择方法 | |
Mahajan et al. | A genetic approach to standard cell placement using various genetic operators | |
Poteau et al. | Genetic algorithms for determining the topological structure of metallic clusters |
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 |