CN114139484A - 一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法 - Google Patents
一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法 Download PDFInfo
- Publication number
- CN114139484A CN114139484A CN202111418720.6A CN202111418720A CN114139484A CN 114139484 A CN114139484 A CN 114139484A CN 202111418720 A CN202111418720 A CN 202111418720A CN 114139484 A CN114139484 A CN 114139484A
- Authority
- CN
- China
- Prior art keywords
- power amplifier
- whale
- current mode
- improved
- stage
- 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
- 241000283153 Cetacea Species 0.000 title claims abstract description 66
- 238000013461 design Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 230000003321 amplification Effects 0.000 claims abstract description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 239000010752 BS 2869 Class D Substances 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 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
- G06F30/36—Circuit design at the analogue level
- G06F30/373—Design optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种基于改进鲸鱼算法的CMOS电流模式D类功率放大器优化设计方法,包括:设计一种新型的CMOS电流模式D类功率放大器、采用改进鲸鱼算法对功率放大电路进行尺寸设计。本发明首先设计了一款新型CMOS电流模式D类功率放大器。采用cadence软件,仿真求解功率放大器中MOS管的沟道宽度Wk和沟道长度Lk,得到数据集。然后通过在传统的鲸鱼算法中引入非线性收敛因子和自适应惯性权重,改进了算法的变量变化;在鲸鱼位置更新中引入量子旋转门,平衡了全局搜索和局部搜索。本发明成功地将改进鲸鱼算法应用到了模拟电路的尺寸设计,同时解决了传统鲸鱼算法收敛速度慢的问题,系统的整体性能和最优解的性能有了显著的提高。
Description
技术领域
本发明涉及一种基于改进鲸鱼算法的CMOS电流模式D类功率放大器优化设计方法,属于无线通信领域。
背景技术
集成电子电路(IEC)主要由数字和模拟部分组成。模拟集成电路是电子系统的主要模块,用作实信号和数字信号之间的接口,但是它们的尺寸对其设计、性能和总体成本造成了重大限制。模拟集成电路主要由数百个晶体管组成。数字集成电路的尺寸确定是一项自动任务,而模拟电路的尺寸确定是一个复杂、耗时、迭代和繁琐的过程。每个晶体管都有三个参数:长度通道和宽度通道,以及偏置电流。在具有大量晶体管和多个目标约束的复杂电路中,设计者最大的难题是如何在这些目标约束中取得最佳平衡。因此,基于模拟或数学模型的高效优化技术对于高性能模拟IC的优化尺寸非常重要。
在过去的几年中,超启发式算法已经成功地应用在包含大量晶体管的电路的尺寸确定,并且已经证明它们可以取代传统的方法。在最著名的超启发式算法中,粒子群优化(PSO)、蚁群优化(ACO)和人工蜂群(ABC)已经成功地用于模拟电路的优化。虽然PSO、ACO和ABC算法具有很强的鲁棒性,但在多变量问题中,它们对计算时间和精度的要求很高。
发明内容
为克服上述现有技术的不足,本发明的目的是提供一种基于改进鲸鱼算法的CMOS电流模式D类功率放大器优化设计方法。
本发明提出一种基于改进鲸鱼算法的CMOS电流模式D类功率放大器优化设计方法,该方法包括:设计一种新型的CMOS电流模式D类功率放大器、采用改进鲸鱼算法对功率放大电路进行尺寸设计。
本发明通过以下优化方案实现:
步骤101,设计新型CMOS电流模式D类功率放大器:
传统的D类功率放大器在管子导通时电压与电流波形相互重叠,由此带来的损耗是不可忽略的,严重损害效率。本发明设计了一款新型CMOS电流模式D类功率放大器。该功率放大器第一级为驱动级,由三个电流镜组成,能够接收输入的电流信号,放大后转换为电压信号输出,作为下一级电路的驱动信号,驱动级为电流模式A类放大器;第二级为功率级,其工作原理是通过谐振回路上的电流方波来产生基频电压信号,属于电流模式D放器类放大器。
电流镜输入输出电流关系为:
其中,W2、L2为MOS管M2宽和长,W1、L1为MOS管M1宽和长,iout是输入电流信号,iin是输出电流信号。
输出电压为:
其中R2为输出端电阻。
步骤102,制作数据集:
根据设计的CMOS电流模式D类功率放大器设计参数:输出功率、效率、功率增益。采用cadence软件,仿真求解功率放大器中MOS管的沟道宽度Wk和沟道长度Lk。随机选出500组数据进行归一化预处理,按照7∶3的比例划分为训练数据和测试数据。
步骤103,种群初始化:确定鲸鱼种群规模,最大迭代次数,搜索空间维度,生成鲸鱼初始位置。
步骤104,根据成本函数CF计算鲸鱼适应度,选出鲸鱼最优位置,并根据适应度的顺序对鲸鱼的初始位置排序:
成本函数CF为晶体管总面积最小值,公式为:
其中T是MOS管的数量,w和L分别为MOS管的宽度和长度。
步骤105,调整收敛因子a:
根据传统鲸鱼算法包围猎物阶段公式:
引入非线性收敛因子a:
步骤106,引入自适应惯性权重w:
引入自适应惯性权重w,改进传统鲸鱼算法包围猎物阶段公式,w表示如下:
改进之后的鲸鱼位置向量更新为:
引入一个随机数p,p在(0,1)之间取值,当p<0.5时,选择收缩包围策略;当p≥0.5时,选择螺旋更新策略,公式表述如下:
步骤108,引入量子旋转门操作,公式如下:
采用量子旋转门操作更新鲸鱼位置:
步骤109,判断是否达到最大迭代次数,如果是,即为最优解;否则,返回步骤103。
本发明的有益效果是:
本发明设计了一款新型CMOS电流模式D类功率放大器。采用cadence软件,仿真求解功率放大器中MOS管的沟道宽度Wk和沟道长度Lk,得到数据集。通过在传统的鲸鱼算法中加入非线性收敛因子和自适应惯性权重,改进了算法的变量变化;在鲸鱼位置更新中引入量子旋转门,平衡了全局搜索和局部搜索。本发明成功地将改进鲸鱼算法应用到了模拟电路的尺寸设计,同时解决了传统鲸鱼算法收敛速度慢的问题,系统的整体性能和最优解的性能有了显著的提高。
附图说明
图1是本发明设计的新型CMOS电流模式D类功率放大器电路图。
图2是改进鲸鱼算法流程图。
图3是改进鲸鱼算法与传统鲸鱼算法的比较图。
具体实施方式
为了更清楚的说明本发明的技术方案,下面结合附图和实施例对本发明作进一步说明。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。
步骤101,设计新型CMOS电流模式D类功率放大器:
本发明设计的新型CMOS电流模式D类功率放大器电路如图1所示,从结构来看,此电路主要由两级放大器组成。图中第一级为驱动级,包括NMOS管M16-M24,电阻R6-R11,由三个电流镜组成,属于电流模式A类放大器。以MOS管M16,M17和电阻R6,R7组成的一个电流镜为例,电流镜的输入输出电流关系为:
其中,W2、L2为MOS管M17宽和长,W1、L1为MOS管M16宽和长,iout是输入电流信号,iin是输出电流信号。
输出端的电阻Rout将电流信号转换为电压信号,输出电压为:
电流镜通过调节M16,M17的宽长和Rout的大小对输入电流信号进行放大,可以很方便地改变驱动级放大倍数。M18与M19组成的电流镜同样可以改变M18与M19的宽长和电阻R9调节驱动级的直流电流,从而控制驱动级的直流功耗。本发明中功率放大器的功率级采用电流模式D类结构,包括NMOS管M23,M24,电感L9-L11和电容C5,具有较高的效率和输出功率。除了上述2级放大电路之外,整个放大器还包括以下4个部分:输入匹配网络,由电容C1,C2,电感L5,L6组成;输出匹配网络,由电容C6,C7,电感L12,L13构成;偏置电路,包括电阻R11,电感L7,L8和NMOS管M22;电容C3,C4组成隔直电容。
步骤102,制作数据集:
表1为基于改进型鲸鱼算法的电流模式功率放大器参数分析:
表1基于改进型鲸鱼算法的电流模式功率放大器参数分析
根据设计的CMOS电流模式D类功率放大器设计参数:输出功率、效率、功率增益。采用cadence软件,仿真求解功率放大器中MOS管的沟道宽度Wk和沟道长度Lk。随机选出500组数据进行归一化预处理,按照7:3的比例划分为训练数据和测试数据。
本实施例的算法流程图如图2所示:
步骤103,初始化鲸鱼种群:
其中,n和d分别为鲸鱼的数量和维度。
步骤104,选择晶体管总面积最小值成本函数CF作为适应度评估标准,评估每条鲸鱼适应度:
适应度函数可写为:
步骤105,调整收敛因子a:
根据传统鲸鱼算法包围猎物阶段公式:
引入非线性收敛因子a:
步骤106,引入自适应惯性权重w:
引入自适应惯性权重w,改进传统鲸鱼算法包围猎物阶段公式,w表示如下:
改进之后的鲸鱼位置向量更新为:
引入一个随机数p,p在(0,1)之间取值,当p<0.5时,选择收缩包围策略;当p≥0.5时,选择螺旋更新策略,公式表述如下:
步骤108,引入量子旋转门操作,公式如下:
采用量子旋转门操作更新鲸鱼位置:
步骤109,检查搜索鲸鱼是否超出搜索空间,是否达到最大迭代次数,如果超出搜索空间或未达到最大迭代次数,则进行修改,返回步骤103,重新计算已更新数据的适应度函数。否则,输出即为最优解。
图3为传统鲸鱼算法和本发明中改进型鲸鱼算法对比图,通过具体实施例,进一步阐述了本发明。图3的横坐标表示迭代次数,纵坐标表示最大完成时间。红色代表改进的鲸鱼算法,蓝色代表原始鲸鱼算法。从图3可以看出,首先,经过500次迭代后,原始的鲸鱼算法没有达到最优值,而改进的鲸鱼算法达到了最优值55。其次,可以发现改进的鲸鱼算法的初始值约为65,而原始鲸鱼算法的初始值约为68。最后,在优化过程中,可以看到原来的whale算法在迭代近80次时开始稳定;改进的whale算法经过近25次迭代,达到了最优值。可以看出,改进的whale算法在搜索能力和收敛速度上比原whale算法有了显著的提高。综上所述,改进的鲸鱼算法总体上优于原鲸鱼算法,表明了改进算法的有效性。
Claims (5)
1.基于改进鲸鱼算法的CMOS电流模式D类功率放大器优化设计方法,其特征在于,包括以下步骤:
步骤101,设计新型CMOS电流模式D类功率放大器;
步骤102,制作数据集:
根据设计的CMOS电流模式D类功率放大器设计参数:输出功率、效率、功率增益;
采用cadence软件,仿真求解功率放大器中MOS管的沟道宽度Wk和沟道长度Lk;
随机选出500组数据进行归一化预处理,按照7:3的比例划分为训练数据和测试数据;
步骤103,种群初始化:确定鲸鱼种群规模,最大迭代次数,搜索空间维度,生成鲸鱼初始位置;
步骤104,根据成本函数CF计算鲸鱼适应度,选出鲸鱼最优位置,并根据适应度的顺序对鲸鱼的初始位置排序;
成本函数CF为晶体管总面积最小值,公式为:
其中T是MOS管的数量,W和L分别为MOS管的宽度和长度;
步骤105,调整收敛因子a;
步骤106,引入自适应惯性权重w;
步骤107,根据系数向量A的大小确定猎物包围策略,搜索猎物;
步骤108,引入量子旋转门操作,公式如下:
采用量子旋转门操作更新鲸鱼位置:
步骤109,判断是否达到最大迭代次数,如果是,即为最优解;否则,返回步骤103。
2.根据权利要求1所述的基于改进鲸鱼算法的CMOS电流模式D类功率放大器优化设计方法,其特征在于:
步骤101具体表述为:
所述的新型CMOS电流模式D类功率放大器:该功率放大器第一级为驱动级,由三个电流镜组成,能够接收输入的电流信号,放大后转换为电压信号输出,作为下一级电路的驱动信号,驱动级为电流模式A类放大器;第二级为功率级,其工作原理是通过谐振回路上的电流方波来产生基频电压信号,属于电流模式D放器类放大器;
电流镜输入输出电流关系为:
其中,W2、L2为MOS管M2宽和长,W1、L1为MOS管M1宽和长,iOut是输入电流信号,iin是输出电流信号;
输出电压为:
其中R2为输出端电阻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418720.6A CN114139484A (zh) | 2021-11-26 | 2021-11-26 | 一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418720.6A CN114139484A (zh) | 2021-11-26 | 2021-11-26 | 一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139484A true CN114139484A (zh) | 2022-03-04 |
Family
ID=80388204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418720.6A Pending CN114139484A (zh) | 2021-11-26 | 2021-11-26 | 一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139484A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983142A (zh) * | 2018-05-23 | 2018-12-11 | 哈尔滨工程大学 | 一种基于量子鲸鱼优化机制的近场源测向方法 |
CN109345005A (zh) * | 2018-09-12 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 |
CN109408905A (zh) * | 2018-09-30 | 2019-03-01 | 湘潭大学 | 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 |
CN110443433A (zh) * | 2019-08-15 | 2019-11-12 | 哈尔滨工业大学 | 基于改进鲸鱼优化算法的数字微流控芯片的调度优化方法 |
-
2021
- 2021-11-26 CN CN202111418720.6A patent/CN114139484A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983142A (zh) * | 2018-05-23 | 2018-12-11 | 哈尔滨工程大学 | 一种基于量子鲸鱼优化机制的近场源测向方法 |
CN109345005A (zh) * | 2018-09-12 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 |
CN109408905A (zh) * | 2018-09-30 | 2019-03-01 | 湘潭大学 | 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 |
CN110443433A (zh) * | 2019-08-15 | 2019-11-12 | 哈尔滨工业大学 | 基于改进鲸鱼优化算法的数字微流控芯片的调度优化方法 |
Non-Patent Citations (2)
Title |
---|
PARAMITA SARKAR: "Offset voltage minimization based circuit sizing of CMOS operational amplifier using whale optimization algorithm", 《JOURNAL OF INFORMATION AND OPTIMIZATION SCIENCES 》, 10 November 2017 (2017-11-10), pages 83 - 98 * |
闫旭: "混合随机量子鲸鱼优化算法求解TSP问题", 《微电子学与计算机》, 15 August 2018 (2018-08-15), pages 1 - 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grasso et al. | Three-stage CMOS OTA for large capacitive loads with efficient frequency compensation scheme | |
CN103150459B (zh) | 一种基于遗传算法的低噪声放大器的优化设计方法 | |
CN108549767B (zh) | 一种用于大信号功率晶体管的神经网络空间映射建模方法 | |
CN108399268B (zh) | 一种基于博弈论的增量式异构图聚类方法 | |
CN112270139B (zh) | 基于母型库的燃料电池离心压缩机气动优化设计方法 | |
CN110428048A (zh) | 一种基于模拟延时链的二值化神经网络累加器电路 | |
Gupta | Analog circuits design using ant colony optimization | |
Zebulum et al. | Artificial evolution of active filters: a case study | |
CN114139484A (zh) | 一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法 | |
CN109255163A (zh) | 基于追踪编码和遗传算法的电路结构优化方法 | |
Rasheed et al. | Performance parameters optimization of CMOS analog signal processing circuits based on smart algorithms | |
CN110428049B (zh) | 一种基于多态忆阻器的电压型神经网络及其操作方法 | |
Maji et al. | An evolutionary approach based design automation of low power CMOS Two-Stage Comparator and Folded Cascode OTA | |
Zebulum et al. | Synthesis of CMOS operational amplifiers through genetic algorithms | |
CN111291193B (zh) | 一种知识图谱在零次学习上的运用方法 | |
Anile et al. | Comparison among evolutionary algorithms and classical optimization methods for circuit design problems | |
CN116362180B (zh) | 一种GaN HEMT大信号模型参数一体化提取方法 | |
Papadimitriou et al. | Multi-objective low-noise amplifier optimization using analytical model and genetic computation | |
Zhang et al. | ACP: adaptive channel pruning for efficient neural networks | |
CN115033204A (zh) | 一种精度与位宽可重构的高能效近似乘法器 | |
Yin et al. | An efficient reference-point based surrogate-assisted multi-objective differential evolution for analog/RF circuit synthesis | |
Gong et al. | A Memorized Recurrent Neural Network Design for Wide Bandwidth PA Linearization | |
Stroessner et al. | Power amplifier design using interactive multi-objective visualization | |
Chang et al. | Shape optimization of mufflers hybridized with multiple connected tubes using the boundary element method, neural networks, and genetic algorithm | |
Benhala | Hybridization approches of metaheuristics for optimal analog circuit design |
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 |