CN116702694B - 基于蚁群算法的印刷电路板两端布线方法、介质及装置 - Google Patents
基于蚁群算法的印刷电路板两端布线方法、介质及装置 Download PDFInfo
- Publication number
- CN116702694B CN116702694B CN202310830516.8A CN202310830516A CN116702694B CN 116702694 B CN116702694 B CN 116702694B CN 202310830516 A CN202310830516 A CN 202310830516A CN 116702694 B CN116702694 B CN 116702694B
- Authority
- CN
- China
- Prior art keywords
- ant
- point
- probability
- printed circuit
- circuit board
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 241000257303 Hymenoptera Species 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 239000003016 pheromone Substances 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
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
-
- 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
- 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
- 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
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/12—Printed circuit boards [PCB] or multi-chip modules [MCM]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Architecture (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明提供一种基于蚁群算法的印刷电路板两端布线方法、介质及装置,所述方法包括:将印刷电路板拓扑成网格图;在网格图上,将蚂蚁放置在两端布线的其中一个引脚,并确定蚂蚁当前位置能够选择的邻近点;根据概率计算公式,计算每个邻近点被选择的概率;再根据概率选择公式,选择一个邻近点进行移动;重复执行前述步骤,直到到达两端布线的另一个引脚。本发明为可变蚂蚁搜寻步长,能够给出较短的路径同时有着较快的搜索速度;并且在概率计算公式中引入了牵引系数和惯性系数,牵引系数能够有目的让蚂蚁向终点方向移动,能够有效加快算法的收敛时间;惯性系数能够使得蚂蚁每一行走有着更大的倾向选择与上一次相同的方向,以此能够有效减少拐点数量。
Description
技术领域
本发明涉及印刷电路板布线技术领域,具体而言,涉及一种基于蚁群算法的印刷电路板两端布线方法、介质及装置。
背景技术
布线是在印刷电路板(Printed Circuit Board,PCB)上将相同电位的一组引脚按相关设计规则相连接的工作,也是印刷电路板制造过程中最复杂耗时最长的部分。随着电路规模的不断增加,系统的约束也越来越多,布线的区域障碍、形状也越来越复杂。布线可以基础的划分为两端布线也称为两引脚布线和多引脚布线。
布线最基础的设计约束就是不同线网之间不能够交叉,技术约束主要为时延和信号损益,而时延主要由线长和通孔决定,线长越长时延越大,通孔越多时延越大,信号损益主要由拐点数量和线网之间耦合决定,拐点越多对信号影响越大。
发明内容
本发明旨在提供一种基于蚁群算法的印刷电路板两端布线方法、介质及装置,以减少线长和拐点数量的同时有更快的收敛速度。
本发明提供的一种基于蚁群算法的印刷电路板两端布线方法,包括如下步骤:
步骤S1:将一份完成布局的印刷电路板设计图按照线宽和线间距拓扑成网格图;
步骤S2:在网格图上,初始将蚂蚁放置在两端布线的其中一个引脚,并确定蚂蚁当前位置能够选择的邻近点;
步骤S3:根据概率计算公式,计算每个邻近点被选择的概率;
步骤S4:根据概率选择公式,结合每个邻近点被选择的概率,选择一个邻近点进行移动;
步骤S5:重复执行步骤S3~S4,直到到达两端布线的另一个引脚。
进一步的,步骤S2中,所述邻近点是指:
在网格图上,蚂蚁当前位置只能上下左右四个方向前进,共计4*kstep格,kstep为设定的步长,此4*kstep格即为邻近点。
进一步的,步骤S3中,所述概率计算公式为:
其中:
next_dot(i)表示蚂蚁处于i格的邻近点;
pij为蚂蚁处于i格时选择第j个邻近点的概率;
α表示信息启发因子;
β为期望启发式因子;
τij表邻近点j上的信息素浓度;
Hij为蚂蚁处于i格时选择第j个邻近点的启发系数;
ηjk为邻近点j到目标点k的启发系数。
进一步的,蚂蚁处于i格时选择第j个邻近点的启发系数Hij表示为:
其中:
λ1为惯性系数;
λ2为牵引系数;
dir(i,j)为蚂蚁处于i格时选择第j个邻近点时的方向;
cur_dir(t)为上一步的方向。
进一步的,邻近点j到目标点k的启发系数ηjk为表示为:
其中:
kcur表示当前蚂蚁所在点到邻近点j经过了几格;
kstep表示设定的步长,
dpre表邻近点j到目标点k的曼哈顿距离。
进一步的,步骤S4中,所述概率选择公式为:
取一个随机数q,并自定义的一个固定数值q0:
若q<q0,则直接选择所有邻近点中概率最大的邻近点,蚂蚁移动到该邻近点;
若q>=q0,则使用转盘赌选择法让蚂蚁移动。
进一步的,所述使用转盘赌选择法让蚂蚁移动的方法为:
概率计算公式pij保证了所有邻近点的概率相加等于1,按照每个邻近点的概率大小划分长度为1的区间;
取一个范围在(0,1]之间的随机数,随机数落到哪个邻近点的区间,蚂蚁就选择移动到哪个邻近点。
本发明还提供一种计算机终端存储介质,存储有计算机终端可执行指令,所述计算机终端可执行指令用于执行上述的基于蚁群算法的印刷电路板两端布线方法。
本发明还提供一种计算装置,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于蚁群算法的印刷电路板两端布线方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、传统蚁群算法中蚂蚁每次搜寻步长固定无法与布线规模相适应,本发明为可变蚂蚁搜寻步长,能够给出较短的路径同时有着较快的搜索速度。
2、传统蚁群算法蚂蚁早期寻路过程完全随机,本发明在概率计算公式中引入了牵引系数,有目的让蚂蚁向终点方向移动,能够有效加快算法的收敛时间。
3、在传统蚁群算法的基础上,本发明在概率计算公式中引入了惯性系数,使得蚂蚁每一行走有着更大的倾向选择与上一次相同的方向以此能够有效减少拐点数量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本发明实施例中基于蚁群算法的印刷电路板两端布线方法的流程图。
图2为本发明实施例中邻近点的示意图。
图3为本发明实施例中非邻近点的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本实施例提出一种基于蚁群算法的印刷电路板两端布线方法,包括如下步骤:
步骤S1:将一份完成布局的印刷电路板设计图按照线宽和线间距拓扑成网格图;由此,两端布线的基本单位为一个网格,获取印刷电路板的各种信息,如规模、障碍物位置和数量,需要布置的端点位置和类型,并初始化各种参数。
步骤S2:在网格图上,初始将蚂蚁放置在两端布线的其中一个引脚,并确定蚂蚁当前位置能够选择的邻近点;所述邻近点是指:在网格图上,蚂蚁当前位置只能上下左右四个方向前进,共计4*kstep格,kstep为设定的步长,此4*kstep格即为邻近点,记为next_dot,如图2所示。蚂蚁不能够到达的网格即别组线网引脚所在的网格或别组线网所占据的网格以及被他们阻挡得网格,即为非next_dot,如图3中的网格2和网格3就是非next_dot,网格2是被占据的网格,网格3是被网格2阻挡的网格。
步骤S3:根据概率计算公式,计算每个邻近点被选择的概率;所述概率计算公式为:
其中:
next_dot(i)表示蚂蚁处于i格的邻近点;
pij为蚂蚁处于i格时选择第j个邻近点的概率;
α表示信息启发因子,用于约束数值大小无实际物理意义;
β为期望启发式因子,用于约束数值大小无实际物理意义;
τij表邻近点j上的信息素浓度;
Hij为蚂蚁处于i格时选择第j个邻近点的启发系数,用于加快蚂蚁从起点到终点的收敛速度以及减少拐点数量;Hij表示为:
其中:
λ1为惯性系数;
λ2为牵引系数;
dir(i,j)为蚂蚁处于i格时选择第j个邻近点时的方向;
cur_dir(t)为上一步的方向。
靠近和远离是指:若当前蚂蚁位置为(1,1),目标点位置为(2,2),那么右方向和下方向的邻近点就是靠近目标点一侧,其他方向为远离目标点一侧。
ηjk为邻近点j到目标点k的启发系数,表示为:
其中:
kcur表示当前蚂蚁所在点到邻近点j经过了几格;
kstep表示设定的步长,
dpre表邻近点j到目标点k的曼哈顿距离,计算公式为|x1-x2|+|y1-y2|,如邻近点j的坐标为(1,2),目标点k的坐标为(3,4),那么邻近点j到目标点k的曼哈顿距离就是|1-3|+|2-4|=4。
步骤S4:根据概率选择公式,结合每个邻近点被选择的概率,选择一个邻近点进行移动;具体地:
取一个随机数q,并自定义的一个固定数值q0:
若q<q0,则直接选择所有邻近点中概率最大的邻近点,,蚂蚁移动到该邻近点;
若q>=q0,则使用转盘赌选择法让蚂蚁移动,即概率计算公式pij保证了所有邻近点的概率相加等于1,按照每个邻近点的概率大小划分长度为1的区间;取一个范围在(0,1]之间的随机数,随机数落到哪个邻近点的区间,蚂蚁就选择移动到哪个邻近点。
步骤S5:重复执行步骤S3~S4,直到到达两端布线的另一个引脚。
示例:
将一份完成布局的印刷电路板设计图按照线宽和线间距拓扑成网格图;由此,两端布线的基本单位为一个网格,获取印刷电路板的各种信息,如规模、障碍物位置和数量,在每一个非障碍的网格设置初始信息素浓度为τ0。
迭代次数设置为D,蚂蚁数为C,每次迭代开始前所有非障碍的网格的信息素都要进行挥发操作,所有非障碍的网格的信息素浓度都要乘挥发系数1-ρ(0<ρ<1),每次迭代将重复C次,单只蚂蚁使用蚁群算法以步长为kstep从起点到终点的过程,每只蚂蚁的信息素总量为A,,蚂蚁从起点到终点移动的总距离为S,选择这C只蚂蚁中移动距离最短的蚂蚁,在这只蚂蚁经过的每一格增加A/D数量的信息素浓度,称之为信息素增量Δτ。具体公式为:
τij(t+1)=(1-ρ)·τij(t)+Δτij
这只蚂蚁没有经过的格子的信息素增量Δτ为0。
根据概率计算公式可知,某一邻近点的信息素浓度高则被选择的概率就会大,而某一格的信息素浓度高低则取决于这一格是否在从起点到终点的较短路径上,所以随着迭代次数的增加,后面的蚂蚁从起点到终点的距离将越来越短,最终收敛到一个较短的路径上。又因为启发系数Hij和ηjk的设置,这条路径的拐点数将比没有设置启发系数前的布线拐点数要少,收敛速度要更快。
由上可知,本发明提供的基于蚁群算法的印刷电路板两端布线方法,是一种在传统的蚁群算法的基础上进一步改进的优化算法,首先是在邻近点的寻找方式上由原来的单一固定步长寻找改为根据布线规模多步长寻找,传统单一步长的蚁群算法无法适应不同规模的印刷电路板布线任务,如当步长过小而布线规模过大,则算法收敛速度过慢,运算时间增长。若步长过大而布线规模相对较小则收敛过快,无法找到较优的布线方式。然后是在选择概率公式上额外引入了启发系数,启发系数是由惯性系数和牵引系数组成。牵引系数优化了传统蚁群算法早期蚂蚁完全随机搜寻的过程,能够极大的加快算法的收敛速度,减少布线时间。同时其中采用多步长和惯性系数可以有效的抑制布线过程中的拐点数量,能够给出较短线长和较少拐点数量的优解。
此外,在一些实施例中,提出一种计算机终端存储介质,存储有计算机终端可执行指令,所述计算机终端可执行指令用于执行如前文实施例所述的基于蚁群算法的印刷电路板两端布线方法。计算机存储介质的示例包括磁性存储介质(例如,软盘、硬盘等)、光学记录介质(例如,CD-ROM、DVD等)或存储器,如存储卡、ROM或RAM等。计算机存储介质也可以分布在网络连接的计算机系统上,例如是应用程序的商店。
此外,在一些实施例中,提出一种计算装置,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如前文实施例所述的基于蚁群算法的印刷电路板两端布线方法。计算装置的示例包括PC机、平板电脑、智能手机或PDA等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于蚁群算法的印刷电路板两端布线方法,其特征在于,包括如下步骤:
步骤S1:将一份完成布局的印刷电路板设计图按照线宽和线间距拓扑成网格图;
步骤S2:在网格图上,初始将蚂蚁放置在两端布线的其中一个引脚,并确定蚂蚁当前位置能够选择的邻近点;
步骤S3:根据概率计算公式,计算每个邻近点被选择的概率;
步骤S4:根据概率选择公式,结合每个邻近点被选择的概率,选择一个邻近点进行移动;
步骤S5:重复执行步骤S3~S4,直到到达两端布线的另一个引脚;
步骤S3中,所述概率计算公式为:
其中:
next_dot(i)表示蚂蚁处于i格的邻近点;
pij为蚂蚁处于i格时选择第j个邻近点的概率;
α表示信息启发因子;
β为期望启发式因子;
τij表邻近点j上的信息素浓度;
Hij为蚂蚁处于i格时选择第j个邻近点的启发系数;
ηjk为邻近点j到目标点k的启发系数;
蚂蚁处于i格时选择第j个邻近点的启发系数Hij表示为:
其中:
λ1为惯性系数;
λ2为牵引系数;
dir(i,j)为蚂蚁处于i格时选择第j个邻近点时的方向;
cur_dir(t)为上一步的方向。
2.根据权利要求1所述的基于蚁群算法的印刷电路板两端布线方法,其特征在于,邻近点j到目标点k的启发系数ηjk为表示为:
其中:
kcur表示当前蚂蚁所在点到邻近点j经过了几格;
kstep表示设定的步长,
dpre表邻近点j到目标点k的曼哈顿距离。
3.根据权利要求1所述的基于蚁群算法的印刷电路板两端布线方法,其特征在于,步骤S2中,所述邻近点是指:
在网格图上,蚂蚁当前位置只能上下左右四个方向前进,共计4*kstep格,kstep为设定的步长,此4*kstep格即为邻近点。
4.根据权利要求1所述的基于蚁群算法的印刷电路板两端布线方法,其特征在于,步骤S4中,所述概率选择公式为:
取一个随机数q,并自定义的一个固定数值q0:
若q<q0,则直接选择所有邻近点中概率最大的邻近点,蚂蚁移动到该邻近点;
若q>=q0,则使用转盘赌选择法让蚂蚁移动。
5.根据权利要求4所述的基于蚁群算法的印刷电路板两端布线方法,其特征在于,所述使用转盘赌选择法让蚂蚁移动的方法为:
概率计算公式pij保证了所有邻近点的概率相加等于1,按照每个邻近点的概率大小划分长度为1的区间;
取一个范围在(0,1]之间的随机数,随机数落到哪个邻近点的区间,蚂蚁就选择移动到哪个邻近点。
6.一种计算机终端存储介质,存储有计算机终端可执行指令,其特征在于,所述计算机终端可执行指令用于执行如权利要求1-5中任一权利要求所述的基于蚁群算法的印刷电路板两端布线方法。
7.一种计算装置,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-5中任一权利要求所述的基于蚁群算法的印刷电路板两端布线方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310830516.8A CN116702694B (zh) | 2023-07-07 | 2023-07-07 | 基于蚁群算法的印刷电路板两端布线方法、介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310830516.8A CN116702694B (zh) | 2023-07-07 | 2023-07-07 | 基于蚁群算法的印刷电路板两端布线方法、介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702694A CN116702694A (zh) | 2023-09-05 |
CN116702694B true CN116702694B (zh) | 2024-05-24 |
Family
ID=87834027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310830516.8A Active CN116702694B (zh) | 2023-07-07 | 2023-07-07 | 基于蚁群算法的印刷电路板两端布线方法、介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702694B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117550273B (zh) * | 2024-01-10 | 2024-04-05 | 成都电科星拓科技有限公司 | 基于蜂群算法的多搬运机器人协作方法 |
CN117688899B (zh) * | 2024-02-02 | 2024-05-24 | 深圳华强电子网集团股份有限公司 | 一种基于高密度集成电路的布线分析优化系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096742A (zh) * | 2011-02-24 | 2011-06-15 | 江苏大学 | 基于禁忌蚁群混合算法的超大规模集成电路布线设计方法 |
WO2020248935A1 (zh) * | 2019-06-11 | 2020-12-17 | 五邑大学 | 一种采用蚁群算法的螺丝锁付路径规划方法 |
CN113094859A (zh) * | 2021-04-20 | 2021-07-09 | 嘉兴泰豪装备技术有限公司 | 电气控制箱线路布线优化方法、系统及存储介质 |
CN113392592A (zh) * | 2021-07-13 | 2021-09-14 | 南方电网科学研究院有限责任公司 | 一种配电网拓扑图布局方法、装置和设备 |
CN114721400A (zh) * | 2022-05-11 | 2022-07-08 | 尹艺臻 | 基于蚁群算法的路径优化方法及水面垃圾收集路径规划 |
-
2023
- 2023-07-07 CN CN202310830516.8A patent/CN116702694B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096742A (zh) * | 2011-02-24 | 2011-06-15 | 江苏大学 | 基于禁忌蚁群混合算法的超大规模集成电路布线设计方法 |
WO2020248935A1 (zh) * | 2019-06-11 | 2020-12-17 | 五邑大学 | 一种采用蚁群算法的螺丝锁付路径规划方法 |
CN113094859A (zh) * | 2021-04-20 | 2021-07-09 | 嘉兴泰豪装备技术有限公司 | 电气控制箱线路布线优化方法、系统及存储介质 |
CN113392592A (zh) * | 2021-07-13 | 2021-09-14 | 南方电网科学研究院有限责任公司 | 一种配电网拓扑图布局方法、装置和设备 |
CN114721400A (zh) * | 2022-05-11 | 2022-07-08 | 尹艺臻 | 基于蚁群算法的路径优化方法及水面垃圾收集路径规划 |
Non-Patent Citations (1)
Title |
---|
改进蚁群算法在移动机器人路径规划上的应用;陈志;韩兴国;;计算机工程与设计;20200816(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116702694A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116702694B (zh) | 基于蚁群算法的印刷电路板两端布线方法、介质及装置 | |
CN110795908B (zh) | 偏差驱动的总线感知总体布线方法 | |
US20020077798A1 (en) | Circuit simulation method and system | |
US6694502B2 (en) | Data structure for fine-grid multi-level VLSI routing and method for storing the data structure in a computer readable medium | |
CN115983189B (zh) | 一种自适应网格的模拟集成电路版图布线方法及系统 | |
US20070186201A1 (en) | Method for designing cell layout of semiconductor integrated circuit and computer readable medium in which a cell layout design program is recorded | |
He et al. | Circuit routing using monte carlo tree search and deep neural networks | |
CN117272914B (zh) | 基于四叉树快速确定覆铜形状形成拓扑结构的方法及装置 | |
CN111723544A (zh) | X结构下考虑障碍内布线的Steiner树构建方法 | |
CN109033510B (zh) | 基于遗传算法的三维集成电路互连线长度优化方法及装置 | |
CN110795909B (zh) | 片上电源开关链的构建方法、装置、设备及存储介质 | |
CN115623770B (zh) | 基于k近邻算法的直排式贴片机贴装路径优化方法 | |
CN112989751B (zh) | 基于分支定界法的电路通道布线方法、装置及电子设备 | |
JP2008258283A (ja) | 部品実装順序決定方法 | |
CN113919277A (zh) | 电路设计方法、平台及终端设备 | |
CN116738928B (zh) | 一种印刷电路板并行拆线重布方法、介质及装置 | |
JP3641209B2 (ja) | 自動配置配線装置および自動配置配線方法 | |
CN116011395B (zh) | 基于模块交换的电路示意图模块列排序方法、设备和介质 | |
Dai et al. | GRPlacer: Improving routability and wire-length of global routing with circuit replacement | |
CN117151020B (zh) | 基于四叉树的覆铜形状相交状态快速判断方法及装置 | |
JP2721712B2 (ja) | 自動配線方法 | |
JP3695747B2 (ja) | 概略配線長算出装置及び集積回路の初期配置決定装置 | |
CN114297976B (zh) | 一种用于脉冲逻辑电路的自动布线方法、系统 | |
CN118133767A (zh) | 电路板自动布线方法、装置、设备以及计算机存储介质 | |
CN115329715A (zh) | 一种电路集成布线方法及应用该布线方法的电路集成系统 |
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 |