CN114462292A - 一种基于sqp算法的电路参数优化方法 - Google Patents

Abstract

本发明提供了一种基于SQP算法的电路参数优化方法，包括S1，通过待优化电路的器件的参数生成向量x；S2，通过待优化电路的约束条件和目标性能指标定义向量y；S3，通过采样算法在样本空间(X,Y)中进行采样,调用电路仿真软件获得仿真结果,采样得到的参数对(x,y)组成训练集；S4，通过拟合y＝f(x)的函数关系，构建神经网络模型；S5，通过序二次规划算法对S4中产生的神经网络模型进行寻优，获得最优解。本发明使用神经网络构建仿真模型可以在调用电路仿真软件次数更少的情况下，更加准确全面的描述样本空间的分布。可以从全局角度获取到该结构下最优的电路参数组合。使用SQP算法的容易的获得全局最优解，而摆脱局部最优解的收敛。

Description

一种基于SQP算法的电路参数优化方法

技术领域

本发明涉及集成电路领域，尤其涉及一种基于SQP算法的电路参数优化方法。

背景技术

在集成电路不断发展的背景下，各电子设备都需要模拟集成电路的参与，即使是数字电路的设计也需要用模拟模块用来与外界进行连接，我们对模拟电路设计的需求量是巨大的。在模拟集成电路设计过程中需要权衡许多种的性能指标，在多个可能冲突的目标间寻求平衡点，需要通过电路仿真不断模拟、调优和改进，目前，现有技术利用遗传算法对模拟集成电路进行参数优化具有收敛速度慢、控制参数多等缺点。

在现在大部分情况下，当设计要求和代工厂提供的约束文件确认后，我们便可以根据这些信息决定工艺，而每设计一种新的结构，电路中各种器件的参数需要重新选择，手工进行电路参数的优化要耗费大量的时间，而现有电路仿真软件的参数优化方法为扫描的方法，只能在其他参数确定的情况下，通过对特定参数历遍所有可能性的方式确定该参数的最优情况，这种方式耗时长，难以在全局角度寻找最优的参数组合。

发明内容

鉴于上述问题，本发明的目的在于提供一种基于SQP算法的电路参数优化方法，包括：

S1，通过待优化电路的器件的参数生成向量x；

S2，通过待优化电路的约束条件和目标性能指标定义向量y；

S3，通过采样算法在样本空间(X,Y)中进行采样,调用电路仿真软件获得仿真结果,采样得到的参数对(x,y)组成训练集；

S4，通过拟合y＝f(x)的函数关系，构建神经网络模型；

S5，通过序二次规划算法对S4中产生的神经网络模型进行寻优，获得最优解。

作为优选，所述器件参数包括待优化电路中各个CMOS管的栅长L、栅宽W、电阻的阻值 R和电容的电容量C。

作为优选，所述约束条件包括噪声、线性度、增益、输入阻抗、输出阻抗、功耗、电压电源、输出幅度、响应速度中的一种或多种；

所述目标性能指标包括噪声、线性度、增益、输入阻抗、输出阻抗、功耗、电压电源、输出幅度、响应速度中的一种或多种。

作为优选，所述通过拟合y＝f(x)的函数关系，构建神经网络模型，包括：

构建多层感知机模型；

使用所述多层感知机模型回归预测y＝f(x)的函数关系，构建神经网络模型。

作为优选，所述构建神经网络模型包括：

S41，根据S3中的采样得到的参数对构建数据集；

S42，将数据集划分成训练集和测试集

S43，从训练集中分批划分出数据，分别将每一批数据输入到神经网络模型中，执行训练操作；

S44，根据训练时获取的误差值优化神经网络模型，通过预设的优化方法优化神经网络中各层的参数。

作为优选，所述通过序二次规划算法对S4中产生的神经网络模型进行寻优，获得最优解，包括：

S51，建立优化目标：

min F(f(x))

g_i(y)≥0，i＝1,2,…,m

其中，F(y)表示向量y中的目标性能指标部分的加权平均公式；g_i(y)≥0表示向量y约束条件部分要满足的条件；m表示第m个约束条件，

通过OOR函数和y＝f(x)可以转换为下述公式:

u_i(f(x))＝0，i＝1,2,…,m

其中，u_i(f(x))表示OOR函数，

其中，N_μm表示惩罚因子；

S52，利用泰勒展开将非线性约束问题F(f(x))的目标函数在迭代点x^k处简化成二次函数，得到如下二次规划问题：

其中，k表示第k个迭代点，

S53，令：S＝x-x^k

求解此二次规划问题，将获得的最优解S作为原问题的下一个搜索方向S^k+1；

S54，让S^k+1作为原最优化问题目标函数的约束一维搜索，得到原最优化问题的一个近似解X^k+1；

S55，重复S52-S54直到找到该二次规划问题的最优解。

本发明提供一种基于SQP算法的电路参数优化方法，在决定了电路的结构之后，拟合电路器件的参数和性能指标及约束条件的函数关系，之后在通过SQP算法对电路仿真模型进行寻优，寻找最优的电路参数组合。和现有思路相比，使用神经网络构建仿真模型可以在调用电路仿真软件次数更少的情况下，更加准确全面的描述样本空间的分布。在此基础上使用多目标优化算法可以避开重复调用仿真器，而且神经网络模型可以方便的获得梯度属性，可以从全局角度获取到该结构下最优的电路参数组合。使用SQP算法的好处是更加容易的获得全局最优解，而摆脱局部最优解的收敛。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1，为本发明一种基于SQP算法的电路参数优化方法的一种示例性实施例图。

图2，为本发明的自适应采样的仿真的一种示例性实施例图。

图3，为本发明的多层感知机模型的一种示例性实施例图。

图4，为本发明的OOR函数的一种示例性实施例图。

图5，为本发明的泰勒展开的一种示例性实施例图。

图6，为本发明所采用的SQP算法的一种示例性实施例图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本发明的目的是提供一种基于SQP算法的电路参数优化算法，保证寻找到电路参数的全局最优解。但SQP需要多次调用仿真器，该过程会造成大量的时间消耗。为此，在决定了电路的结构之后，我们需要构建神经网络模型，拟合电路器件的参数和性能指标及约束条件的函数关系，之后在通过SQP算法对电路仿真模型进行寻优，寻找最优的电路参数组合。这样可以减少对仿真器的调用。

如图1所示的一种实施例，本发明提供了一种基于SQP算法的电路参数优化方法，包括：

本发明的目的在于提供一种基于SQP算法的电路参数优化方法，包括：

S1，通过待优化电路的器件的参数生成向量x；

S2，通过待优化电路的约束条件和目标性能指标定义向量y；

S3，通过采样算法在样本空间(X,Y)中进行采样,调用电路仿真软件获得仿真结果,采样得到的参数对(x,y)组成训练集；

S4，通过拟合y＝f(x)的函数关系，构建神经网络模型；

S5，通过序二次规划算法对S4中产生的神经网络模型进行寻优，获得最优解。

具体的，调用电路仿真软件获得仿真结果，指的是将向量x输入到电路仿真软件中，输出向量y，向量y即为仿真结果，x和y组成参数对。

作为优选，所述器件参数包括待优化电路中各个CMOS管的栅长L、栅宽W、电阻的阻值 R和电容的电容量C。

作为优选，所述约束条件包括噪声、线性度、增益、输入阻抗、输出阻抗、功耗、电压电源、输出幅度、响应速度中的一种或多种；

所述目标性能指标包括噪声、线性度、增益、输入阻抗、输出阻抗、功耗、电压电源、输出幅度、响应速度中的一种或多种。

优选地，可以在噪声、线性度、增益、输入/输出阻抗、功耗、电压电源、输出幅度、响应速度中选择一个或多个组成向量y，数量可以根据实际需要进行调节。

作为优选，所述通过拟合y＝f(x)的函数关系，构建神经网络模型，包括：

构建多层感知机模型；

使用所述多层感知机模型回归预测y＝f(x)的函数关系，构建神经网络模型。

为了避免采样时的样本无法正确描述样本空间，我们采用了自适应采样的算法。

电路的仿真结果随电路参数的改变具有高度非线性化的特点，由此导致的结果是，在部分范围内的电路仿真结果随电路参数的改变而平滑的改变，在另一些范围内则随着电路参数的变化有很大的变化率，这样就导致如果使用随机采样或者平均采样取点的方式会在这部分变化率比较大的位置不能反映函数的实际变化规律，要提高采集到的数据的，可以使用自适适应函数对自变量区间进行采样，以更好地反映函数变化规律。在本例中我们可以判断，采样间隔和令变化率的关系应当是反比，用公式表达:

其中γ是采样间隔，N_adapt是自适应采样的系数。该公式使得当变化率越大时采样间隔越小，并且，存在一个最大的采样间隔，当公式计算出的采样间隔超过该最大的采样间隔时，使用该最大的采样间隔，N_max表示最大采样间隔。

图2是自适应采样的仿真图。

多层感知机模型在这里的优势是可以快速的训练神经网络拟合模型，它的一个典型结构如图3所示。

作为优选，所述多层感知机模型的层数为9层。

作为优选，所述构建神经网络模型包括：

S41，根据S3中的采样得到的参数对构建数据集；

S42，将数据集划分成训练集和测试集

S43，从训练集中分批划分出数据，分别将每一批数据输入到神经网络模型中，执行训练操作；

S44，根据训练时获取的误差值优化神经网络模型，通过预设的优化方法优化神经网络中各层的参数。

作为优选，所述优化方法包括RMSprop算法、Adadelta算法、Adamax算法中的一种。

二次规划算法又叫SQP算法，本发明的SQP算法如图6所示。

作为优选，所述通过序二次规划算法对S4中产生的神经网络模型进行寻优，获得最优解，包括：

S51，建立优化目标：

min F(f(x))

g_i(y)≥0，i＝1,2,…,m

其中，F(y)表示向量y中的目标性能指标部分的加权平均公式；g_i(y)≥0表示向量y约束条件部分要满足的条件；m表示第m个约束条件，

通过OOR函数和y＝f(x)可以转换为下述公式:

u_i(f(x))＝0，i＝1,2,…,m

其中，u_i(f(x))表示OOR函数，

其中，N_μm表示惩罚因子；

我们的目标就是最小化这个F(y)，但在其中我们未考虑约束条件的影响，一般的，对于一个解x，若满足问题的约束条件，则称该解为可行解，否则称为不可行解。对于不可行解，我们直接做舍去处理，但这种做法减少了算法的搜索范围，为此我们需要在搜索过程中保留部分的不可行解。

对于不可行违反约束条件的程度，引入OOR(out-of-range)函数ui(x)，OOR函数可以更好地指导不可行解从不可行域到可行域的快速改进，使收敛速度变快，而并不是简单的进行淘汰。

OOR函数返回0或者正值，Npunish为惩罚因子，用以调整违反约束的程度，OOR函数先把违反约束的程度压缩到了0至1之间，然后将其乘以惩罚因子来计算真正的约束违反程度。ui(x)随gi(x)的变化如图4所示，可以看出，当解满足约束条件时，OOR函数为零，当解不满足约束条件时，OOR函数大于零，违反约束程度越大，其值越大，一直上升到Npunish为止。

S52，利用泰勒展开将非线性约束问题F(f(x))的目标函数在迭代点X^k处简化成二次函数，得到如下二次规划问题：

图5为泰勒展开的示意图。

S53，此问题是原最优化问题的近似问题，但其解不一定是原问题的最优点，因此，令： S＝X-X^k

求解此二次规划问题，将获得的最优解S作为原问题的下一个搜索方向S^k+1；

S54，让S^k+1作为原最优化问题目标函数的约束一维搜索，得到原最优化问题的一个近似解X^k+1；

S55，重复S52-S54直到找到该二次规划问题的最优解。

本发明提供一种基于SQP算法的电路参数优化方法，在决定了电路的结构之后，拟合电路器件的参数和性能指标及约束条件的函数关系，之后在通过SQP算法对电路仿真模型进行寻优，寻找最优的电路参数组合。和现有思路相比，使用神经网络构建仿真模型可以在调用电路仿真软件次数更少的情况下，更加准确全面的描述样本空间的分布。在此基础上使用多目标优化算法可以避开重复调用仿真器，而且神经网络模型可以方便的获得梯度属性，可以从全局角度获取到该结构下最优的电路参数组合。使用SQP算法的好处是更加容易的获得全局最优解，而摆脱局部最优解的收敛。

尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模

块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。

实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。

Claims (6)

1.一种基于SQP算法的电路参数优化方法，其特征在于，包括：

S1，通过待优化电路的器件的参数生成向量x；

S2，通过待优化电路的约束条件和目标性能指标定义向量y；

S3，通过采样算法在样本空间(X,Y)中进行采样,调用电路仿真软件获得仿真结果,采样得到的参数对(x,y)组成训练集；

S4，通过拟合y＝f(x)的函数关系，构建神经网络模型；

S5，通过序二次规划算法对S4中产生的神经网络模型进行寻优，获得最优解。

2.根据权利要求1所述的一种基于SQP算法的电路参数优化方法，其特征在于，所述器件参数包括待优化电路中各个CMOS管的栅长L、栅宽W、电阻的阻值R和电容的电容量C。

3.根据权利要求1所述的一种基于SQP算法的电路参数优化方法，其特征在于，所述约束条件包括噪声、线性度、增益、输入阻抗、输出阻抗、功耗、电压电源、输出幅度、响应速度中的一种或多种；

所述目标性能指标包括噪声、线性度、增益、输入阻抗、输出阻抗、功耗、电压电源、输出幅度、响应速度中的一种或多种。

4.根据权利要求1所述的一种基于SQP算法的电路参数优化方法，其特征在于，所述通过拟合y＝f(x)的函数关系，构建神经网络模型，包括：

构建多层感知机模型；

使用所述多层感知机模型回归预测y＝f(x)的函数关系，构建神经网络模型。

5.根据权利要求4所述的一种基于SQP算法的电路参数优化方法，其特征在于，所述构建神经网络模型包括：

S41，根据S3中的采样得到的参数对构建数据集；

S42，将数据集划分成训练集和测试集

S43，从训练集中分批划分出数据，分别将每一批数据输入到神经网络模型中，执行训练操作；

S44，根据训练时获取的误差值优化神经网络模型，通过预设的优化方法优化神经网络中各层的参数。

6.根据权利要求1所述的一种基于SQP算法的电路参数优化方法，其特征在于，所述通过序二次规划算法对S4中产生的神经网络模型进行寻优，获得最优解，包括：

S51，建立优化目标：

min F(f(x))

g_i(y)≥0，i＝1,2,…,m

其中，F(y)表示向量y中的目标性能指标部分的加权平均公式；g_i(y)≥0表示向量y约束条件部分要满足的条件；m表示第m个约束条件，

通过OOR函数和y＝f(x)可以转换为下述公式:

u_i(f(x))＝0，i＝1,2,…,m

其中，u_i(f(x))表示OOR函数，

其中，N_μm表示惩罚因子；

S52，利用泰勒展开将非线性约束问题F(f(x))的目标函数在迭代点x^k处简化成二次函数，得到如下二次规划问题：

其中，k表示第k个迭代点，

S53，令：S＝x-x^k

求解此二次规划问题，将获得的最优解S作为原问题的下一个搜索方向S^k+1；

S54，让S^k+1作为原最优化问题目标函数的约束一维搜索，得到原最优化问题的一个近似解X^k+1；

S55，重复S52-S54直到找到该二次规划问题的最优解。

Images