CN117764025A - 通过种群优化算法的集成电路设计方法 - Google Patents

通过种群优化算法的集成电路设计方法 Download PDF

Info

Publication number
CN117764025A
CN117764025A CN202311616305.0A CN202311616305A CN117764025A CN 117764025 A CN117764025 A CN 117764025A CN 202311616305 A CN202311616305 A CN 202311616305A CN 117764025 A CN117764025 A CN 117764025A
Authority
CN
China
Prior art keywords
population
individuals
initial
integrated circuit
fitness
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
Application number
CN202311616305.0A
Other languages
English (en)
Inventor
冯瑜
张江永
王龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Zhicheng Microelectronics Technology Co ltd
Original Assignee
Xi'an Zhicheng Microelectronics Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Zhicheng Microelectronics Technology Co ltd filed Critical Xi'an Zhicheng Microelectronics Technology Co ltd
Priority to CN202311616305.0A priority Critical patent/CN117764025A/zh
Publication of CN117764025A publication Critical patent/CN117764025A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本发明提出了通过种群优化算法的集成电路设计方法,所述方法包括如下步骤:选择集成电路设计目标,并根据设计目标形成技术问题清单,根据技术问题清单确定设计功能、性能指标和工艺约束,随后形成若干个初始方案;创建初始种群,在初始种群内中将若干个初始方案代入成为个体,并对每个个体进行适应度评估,并根据适应度排序将低于设置阈值适应度的个体进行排除,将符合阈值的个体作为下一个种群的父代进行交叉操作;将交叉后的父代种群进行变异操作,根据适应度列表进行特性修改,随后更新种群,将多个交叉后的父代种群中的个体与初始种群中的个体进行替换,形成更新种群。

Description

通过种群优化算法的集成电路设计方法
技术领域
本发明属于电路设计领域,特别涉及通过种群优化算法的集成电路设计方法。
背景技术
目前,种群优化算法是一种基于生物进化原理的优化算法,它模拟了自然界中的进化过程,通过不断迭代和优胜劣汰的方式,逐步寻找最优解。在集成电路设计中,种群优化算法被广泛应用于解决电路设计中的复杂问题,具有以下技术背景。
集成电路设计是现代电子技术的核心领域之一,它涉及到电路的设计、布局、布线等多个环节。随着电子技术的不断发展,集成电路的规模和复杂度不断增加,传统的设计方法已经无法满足需求。种群优化算法作为一种全局优化方法,能够在设计空间中搜索最优解,具有很好的适应性和鲁棒性。
种群优化算法的核心思想是模拟自然界中的进化过程,通过不断迭代和优胜劣汰的方式,逐步寻找最优解。在集成电路设计中,电路的性能评估指标通常是多目标、多约束的,传统的优化方法很难同时考虑到这些因素。而种群优化算法能够通过适应度函数来评估每个个体的优劣程度,从而找到最优解。
集成电路设计中的问题通常是高维、非线性、离散的,传统的优化方法很难解决这些问题。而种群优化算法具有较强的搜索能力和全局优化能力,能够有效地应对这些问题。种群优化算法的基本原理包括种群初始化、个体评估、选择、交叉、变异等操作,通过这些操作不断迭代,最终找到最优解。
种群优化算法在集成电路设计中的应用非常广泛。例如,在电路布局设计中,可以利用种群优化算法来确定电路元件的位置和布局,以最大程度地减小电路的面积和功耗。在电路布线设计中,可以利用种群优化算法来确定电路元件的连接方式和路径,以最大程度地减小信号传输的延迟和功耗。此外,种群优化算法还可以应用于电路参数优化、电路故障诊断等方面。
种群优化算法作为一种全局优化方法,在集成电路设计中具有重要的应用价值。它能够有效地解决电路设计中的复杂问题,提高电路的性能和可靠性。随着计算机计算能力的不断提高和算法的不断优化,种群优化算法在集成电路设计中的应用前景将更加广阔。
因此,现在亟需通过种群优化算法的集成电路设计方法。
发明内容
本发明提出通过种群优化算法的集成电路设计方法,解决了现有技术中传统集成电路设计方法在处理复杂设计问题上的局限性,实现了电路性能和可靠性的优化的问题。
本发明的技术方案是这样实现的:通过种群优化算法的集成电路设计方法,所述方法包括如下步骤:
选择集成电路设计目标,并根据设计目标形成技术问题清单,根据技术问题清单确定设计功能、性能指标和工艺约束,随后形成若干个初始方案;
创建初始种群,在初始种群内中将若干个初始方案代入成为个体,并对每个个体进行适应度评估,并根据适应度排序将低于设置阈值适应度的个体进行排除,将符合阈值的个体作为下一个种群的父代进行交叉操作;
将交叉后的父代种群进行变异操作,根据适应度列表进行特性修改,随后更新种群,将多个交叉后的父代种群中的个体与初始种群中的个体进行替换,形成更新种群;
在进行最大迭代次数后检查是否满足技术问题清单中设定需求,若不满足终止条件则在所有迭代中选择与设定需求最接近的更新种群数据;若满足设定需求则将每个更新种群中的个体进行单项排序,并选择每项中排序最高的组成优化种群;
在获取优化种群后,对其进行人工验证分析,并在验证合格后,将优化种群中的个体进行对应输出。
本申请文件采用的种群优化算法的集成电路设计方法与现有技术相比,主要有以下区别:
多目标优化能力:传统的集成电路设计方法通常是基于单一目标进行设计,很难同时考虑到多个设计目标。而种群优化算法能够通过适应度函数对多个目标进行评估和优化,能够在多个设计目标之间找到一个平衡点,提供更全面的解决方案。
全局优化能力:传统的集成电路设计方法往往是基于局部搜索的算法,容易陷入局部最优解。而种群优化算法通过全局搜索和优胜劣汰的策略,能够在设计空间中进行全局搜索,更有可能找到全局最优解,提高设计的性能和可靠性。
高维非线性问题处理能力:集成电路设计问题通常是高维、非线性的,传统的优化方法很难解决这类问题。而种群优化算法具有较强的搜索能力和全局优化能力,能够有效地处理高维非线性问题,提供更优的设计方案。
自适应性和鲁棒性:种群优化算法具有自适应性和鲁棒性,能够根据问题的复杂度和搜索空间的特点进行自适应调整,并且对初始解的依赖性较低,能够在不同情况下保持较好的性能。通过种群优化算法的集成电路设计方法相较于传统的方法,具有更强的多目标优化能力、全局优化能力和处理高维非线性问题的能力,能够提供更全面、更优的设计方案。
作为一优选的实施方式,所述初始种群中的初始方案有两类,其中一类为根据技术问题清单形成的初始方案;第二类初始方案为通过集成电路数据库进行随机生成,并同时将两类初始方案作为个体代入初始种群中。
作为一优选的实施方式,在进行交叉操作前,对符合阈值的任意父代种群进行选择,通过锦标赛选择或轮盘赌选择确定交叉操作中的父代种群。
作为一优选的实施方式,所述锦标赛选择为在每一代中,从种群中随机选择一定数量的个体为锦标赛个体,然后根据其适应度值进行竞争,选择适应度值最高的个体作为父代个体。
作为一优选的实施方式,所述轮盘赌选择为按照适应度比例进行选择,通过每个个体的选择概率与其适应度值成正比,适应度值越高的个体被选中的概率越大来进行个体选择。
作为一优选的实施方式,在进行交叉操作时,选用单点交叉、多点交叉、均匀交叉中任意一种将父代种群进行交叉操作。
作为一优选的实施方式,在进行变异操作时,采用均匀变异或非均匀变异进行操作,通过对个体进行特性修改对其中的不利遗传进行消除,增加种群的多样性,避免陷入局部最优解。
采用了上述技术方案后,本发明的有益效果是:通过该方法,可以根据设计目标形成技术问题清单,并确定设计功能、性能指标和工艺约束。然后,通过创建初始种群并对每个个体进行适应度评估,筛选出适应度高于设定阈值的个体作为下一代种群的父代。接着,通过交叉和变异操作对父代种群进行优化,形成更新种群。在达到最大迭代次数后,检查是否满足技术问题清单中的设定需求,如果不满足则选择与设定需求最接近的更新种群数据。如果满足设定需求,则对优化种群进行排序,并选择排序最高的个体组成优化种群。最后,对优化种群进行人工验证分析,验证合格后输出对应的个体。通过这种方法,可以有效地优化集成电路设计,提高设计效果和性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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,都属于本发明保护的范围。
实施例:
如图1所示,过种群优化算法的集成电路设计方法,所述方法包括如下步骤:
选择集成电路设计目标,并根据设计目标形成技术问题清单,根据技术问题清单确定设计功能、性能指标和工艺约束,随后形成若干个初始方案;
创建初始种群,在初始种群内中将若干个初始方案代入成为个体,并对每个个体进行适应度评估,并根据适应度排序将低于设置阈值适应度的个体进行排除,将符合阈值的个体作为下一个种群的父代进行交叉操作;
将交叉后的父代种群进行变异操作,根据适应度列表进行特性修改,随后更新种群,将多个交叉后的父代种群中的个体与初始种群中的个体进行替换,形成更新种群;
在进行最大迭代次数后检查是否满足技术问题清单中设定需求,若不满足终止条件则在所有迭代中选择与设定需求最接近的更新种群数据;若满足设定需求则将每个更新种群中的个体进行单项排序,并选择每项中排序最高的组成优化种群;
在获取优化种群后,对其进行人工验证分析,并在验证合格后,将优化种群中的个体进行对应输出。
种群优化算法在集成电路设计中的工作原理和工作流程如下:首先选择集成电路设计目标:确定设计目标,如功耗、性能、面积等,并根据设计目标形成技术问题清单。确定设计功能、性能指标和工艺约束:根据技术问题清单,确定集成电路的设计功能、性能指标和工艺约束,以便后续优化。形成初始方案:根据技术问题清单,生成若干个初始方案作为种群的初始个体。创建初始种群:将初始方案代入种群中,每个个体代表一个设计方案。对每个个体进行适应度评估,评估个体的优劣程度。适应度排序和筛选:根据适应度评估结果,将低于设定阈值的个体排除,只保留适应度高于阈值的个体作为下一代种群的父代。交叉操作:对父代种群进行交叉操作,生成新的个体。交叉操作可以通过交换、组合等方式将个体的基因信息进行重新组合。变异操作:对交叉后的父代种群进行变异操作,根据适应度列表进行特性修改。变异操作可以通过改变个体的某些特征或参数来引入新的变化。更新种群:将变异后的个体与初始种群中的个体进行替换,形成更新的种群。终止条件判断:在进行最大迭代次数后,检查是否满足技术问题清单中设定的需求。如果不满足需求,则选择与设定需求最接近的更新种群数据作为最终结果。优化种群选择:如果满足设定需求,则对每个更新种群中的个体进行单项排序,并选择每项中排序最高的个体组成优化种群。人工验证分析:对优化种群进行人工验证分析,确保设计方案满足要求。输出优化结果:在验证合格后,将优化种群中的个体进行对应输出,得到最终的优化结果。通过以上步骤,种群优化算法能够有效地优化集成电路设计,提高设计效果和性能。
所述初始种群中的初始方案有两类,其中一类为根据技术问题清单形成的初始方案;第二类初始方案为通过集成电路数据库进行随机生成,并同时将两类初始方案作为个体代入初始种群中。这种方法包括两类初始方案:
第一类初始方案:根据技术问题清单形成的初始方案。这种方案是通过分析技术问题清单,针对每个问题提供一个相应的解决方案。技术问题清单列出了需要解决的所有技术问题,这些方案针对每个问题提供了解决思路和方法。
第二类初始方案:通过集成电路数据库进行随机生成的初始方案。这种方案是通过查阅集成电路数据库,随机选择一些已有的电路设计方案作为初始方案。集成电路数据库是一个包含了各种电路设计的数据库,可以为初始种群提供丰富的设计选择。
这两类初始方案被同时作为个体代入初始种群中。初始种群是一个包含多个初始方案的集合,这些方案将在后续的优化过程中进行调整和优化。将这两类初始方案作为个体代入初始种群,有助于在算法优化过程中充分利用已有的技术问题和集成电路数据库资源,提高算法的搜索效率和优化效果。
在进行交叉操作前,对符合阈值的任意父代种群进行选择,通过锦标赛选择或轮盘赌选择确定交叉操作中的父代种群。在遗传算法中,交叉操作是一种重要的进化操作,用于产生新的子代种群。在进行交叉操作之前,需要选择符合一定阈值的父代种群作为交叉的对象。
一种常用的选择方法是锦标赛选择。锦标赛选择是指从父代种群中随机选择一定数量的个体,然后从中选取适应度最好的个体作为交叉操作中的父代种群。通过多次进行锦标赛选择,可以保证选择到适应度较高的个体,提高交叉操作的效果。另一种选择方法是轮盘赌选择。轮盘赌选择是根据个体的适应度大小,将其视为一个扇形区域,适应度越高的个体所对应的扇形区域越大,然后通过随机选择一个位置来确定交叉操作中的父代种群。适应度较高的个体有更大的概率被选择到,从而保留了优秀个体的特征。选择合适的父代种群进行交叉操作,可以保留较好的遗传信息,有助于产生更好的子代种群。通过锦标赛选择或轮盘赌选择等方法,可以在一定程度上平衡个体的适应度差异,提高遗传算法的搜索效率。
所述锦标赛选择为在每一代中,从种群中随机选择一定数量的个体为锦标赛个体,然后根据其适应度值进行竞争,选择适应度值最高的个体作为父代个体。锦标赛选择是一种常用的选择方法,通常用于选择具有最高适应度值的个体作为父代个体。在每一代中,从种群中随机选择一定数量的个体作为锦标赛个体。这些个体根据其适应度值进行竞争,最终选择适应度值最高的个体作为父代个体。锦标赛选择的优点是简单易实现,并且可以保证选择出的父代个体具有较高的适应度值,从而提高交叉操作的效果。不过,锦标赛选择也存在一些缺点,例如可能会导致某些优秀的个体被固定地选择为父代个体,从而降低了种群的多样性,导致算法收敛速度过慢。因此,在实际应用中需要根据具体问题选择合适的选择方法。
所述轮盘赌选择为按照适应度比例进行选择,通过每个个体的选择概率与其适应度值成正比,适应度值越高的个体被选中的概率越大来进行个体选择。所述轮盘赌选择是一种基于适应度比例的选择算法,常用于遗传算法中。在遗传算法中,个体的适应度值反映了其在解空间中的优劣程度。轮盘赌选择的核心思想是,适应度值越高的个体被选中的概率越大。首先计算所有个体的适应度值之和,然后计算每个个体的选择概率,选择概率等于该个体的适应度值除以适应度值之和。选择概率越高的个体在选择过程中被选中的概率也越大。为了实现选择过程,可以将选择概率转化为一个累积概率分布,然后通过随机数来确定选择的个体。
轮盘赌选择的优点是能够保留适应度值较高的个体,并给予它们更多的选择机会,从而增加了优秀个体被选中的概率。然而,该方法也存在一定的缺点,即适应度值较低的个体仍有一定的被选中概率,可能导致算法陷入局部最优解。因此,在实际应用中需要根据具体问题进行调整和改进,以提高算法的效果。
在进行交叉操作时,选用单点交叉、多点交叉、均匀交叉中任意一种将父代种群进行交叉操作。在遗传算法中,交叉操作是为了产生新的个体,通过交换父代个体的基因信息,从而增加种群的多样性。在进行交叉操作时,可以选择单点交叉、多点交叉或均匀交叉中的任意一种方法。单点交叉:单点交叉是最简单的交叉方法之一。在单点交叉中,选择一个交叉点,然后将两个父代个体在交叉点处进行切割,交换切割后的基因片段,从而生成两个新的个体。单点交叉操作简单且易于实现,但可能会导致信息交叉的位置局限于一个点,限制了基因组合的多样性。多点交叉:多点交叉是在多个交叉点上进行基因片段的交换。与单点交叉不同,多点交叉可以在多个交叉点上进行切割和交换,从而增加了基因组合的可能性,增加了种群的多样性。均匀交叉:均匀交叉是一种更灵活的交叉方法。在均匀交叉中,每个基因位点都有一定的概率进行交换。通过随机生成一个掩码,将掩码为1的位点进行基因交换,从而产生新的个体。均匀交叉能够更充分地利用父代个体的基因信息,增加了基因组合的多样性。选择单点交叉、多点交叉或均匀交叉的方法取决于具体问题的特点和需求。不同的交叉方法可能对种群的进化速度、多样性和收敛性产生不同的影响。
在进行变异操作时,采用均匀变异或非均匀变异进行操作,通过对个体进行特性修改对其中的不利遗传进行消除,增加种群的多样性,避免陷入局部最优解。在遗传算法中,变异操作是为了增加种群的多样性,避免陷入局部最优解。通过对个体进行特征的修改,可以引入新的基因信息,从而产生新的个体。
在进行变异操作时,可以选择均匀变异或非均匀变异的方法。均匀变异:均匀变异是一种简单且常用的变异方法。在均匀变异中,每个基因位点都有一定的概率发生变异。变异时,可以随机生成一个变异掩码,将掩码为1的位点进行基因值的变异。均匀变异能够在个体的每个基因位点上引入新的基因信息,增加种群的多样性。非均匀变异:非均匀变异是一种更灵活的变异方法。在非均匀变异中,每个基因位点的变异概率可以不同。可以根据问题的特点和需求,设定不同的变异概率。通过调整变异概率,可以控制变异的程度和频率,使得种群在搜索空间中能够更加全面地探索。
变异操作的目的是引入新的基因信息,增加种群的多样性,以便更好地探索解空间并避免陷入局部最优解。通过变异操作,可以对个体进行特征的修改,消除其中的不利遗传,引入新的可能性。选择均匀变异或非均匀变异的方法取决于问题的特点和算法的性能要求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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.通过种群优化算法的集成电路设计方法,其特征在于,所述方法包括如下步骤:
选择集成电路设计目标,并根据设计目标形成技术问题清单,根据技术问题清单确定设计功能、性能指标和工艺约束,随后形成若干个初始方案;
创建初始种群,在初始种群内中将若干个初始方案代入成为个体,并对每个个体进行适应度评估,并根据适应度排序将低于设置阈值适应度的个体进行排除,将符合阈值的个体作为下一个种群的父代进行交叉操作;
将交叉后的父代种群进行变异操作,根据适应度列表进行特性修改,随后更新种群,将多个交叉后的父代种群中的个体与初始种群中的个体进行替换,形成更新种群;
在进行最大迭代次数后检查是否满足技术问题清单中设定需求,若不满足终止条件则在所有迭代中选择与设定需求最接近的更新种群数据;若满足设定需求则将每个更新种群中的个体进行单项排序,并选择每项中排序最高的组成优化种群;
在获取优化种群后,对其进行人工验证分析,并在验证合格后,将优化种群中的个体进行对应输出。
2.如权利要求1所述的通过种群优化算法的集成电路设计方法,其特征在于:所述初始种群中的初始方案有两类,其中一类为根据技术问题清单形成的初始方案;第二类初始方案为通过集成电路数据库进行随机生成,并同时将两类初始方案作为个体代入初始种群中。
3.如权利要求1所述的通过种群优化算法的集成电路设计方法,其特征在于:在进行交叉操作前,对符合阈值的任意父代种群进行选择,通过锦标赛选择或轮盘赌选择确定交叉操作中的父代种群。
4.如权利要求3所述的通过种群优化算法的集成电路设计方法,其特征在于:所述锦标赛选择为在每一代中,从种群中随机选择一定数量的个体为锦标赛个体,然后根据其适应度值进行竞争,选择适应度值最高的个体作为父代个体。
5.如权利要求3所述的通过种群优化算法的集成电路设计方法,其特征在于:所述轮盘赌选择为按照适应度比例进行选择,通过每个个体的选择概率与其适应度值成正比,适应度值越高的个体被选中的概率越大来进行个体选择。
6.如权利要求1所述的通过种群优化算法的集成电路设计方法,其特征在于:在进行交叉操作时,选用单点交叉、多点交叉、均匀交叉中任意一种将父代种群进行交叉操作。
7.如权利要求1所述的通过种群优化算法的集成电路设计方法,其特征在于:在进行变异操作时,采用均匀变异或非均匀变异进行操作,通过对个体进行特性修改对其中的不利遗传进行消除,增加种群的多样性,避免陷入局部最优解。
CN202311616305.0A 2023-11-29 2023-11-29 通过种群优化算法的集成电路设计方法 Pending CN117764025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311616305.0A CN117764025A (zh) 2023-11-29 2023-11-29 通过种群优化算法的集成电路设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311616305.0A CN117764025A (zh) 2023-11-29 2023-11-29 通过种群优化算法的集成电路设计方法

Publications (1)

Publication Number Publication Date
CN117764025A true CN117764025A (zh) 2024-03-26

Family

ID=90315253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311616305.0A Pending CN117764025A (zh) 2023-11-29 2023-11-29 通过种群优化算法的集成电路设计方法

Country Status (1)

Country Link
CN (1) CN117764025A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118335161A (zh) * 2024-06-17 2024-07-12 悦芯科技股份有限公司 一种基于遗传算法的存储器芯片冗余电路修复方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118335161A (zh) * 2024-06-17 2024-07-12 悦芯科技股份有限公司 一种基于遗传算法的存储器芯片冗余电路修复方法

Similar Documents

Publication Publication Date Title
Chen et al. An evolutionary multitasking-based feature selection method for high-dimensional classification
Qin et al. Large-scale evolutionary multiobjective optimization assisted by directed sampling
Lin et al. A hybrid evolutionary immune algorithm for multiobjective optimization problems
Alba et al. The exploration/exploitation tradeoff in dynamic cellular genetic algorithms
CN117764025A (zh) 通过种群优化算法的集成电路设计方法
CN104615869A (zh) 一种基于相似度排挤的多种群模拟退火混合遗传算法
CN114064453B (zh) 基于聚类和进化算法的软件测试用例自动生成方法
CN110533221A (zh) 基于生成式对抗网络的多目标优化方法
Su et al. Many‐objective optimization by using an immune algorithm
CN116402002A (zh) 一种用于芯片布局问题的多目标分层强化学习方法
Krömer et al. Differential evolution for the optimization of low-discrepancy generalized Halton sequences
CN109582985A (zh) 一种改进的遗传退火的片上网络映射方法
CN115481727A (zh) 一种基于进化计算的意图识别神经网络生成与优化方法
CN106919504B (zh) 一种基于ga算法的测试数据进化生成方法
Zhao et al. A hybrid learning method for constructing compact rule-based fuzzy models
CN114021934A (zh) 基于改进spea2求解车间节能调度问题的方法
CN109710973A (zh) 一种三值固定极性rm电路面积、功耗与延时的优化方法
Siwik et al. Elitist evolutionary multi-agent system in solving noisy multi-objective optimization problems
CN111813669A (zh) 基于多目标群体智能的适应性随机测试用例生成方法
Qian et al. An improved MOEA/D algorithm for complex data analysis
Liu et al. A improved NSGA-II algorithm based on sub-regional search
Chang et al. Simpler and enhanced multifactorial evolutionary algorithms for continuous optimization tasks
CN116432507A (zh) 一种锅炉烟气含氧量预测方法、装置和计算设备
Li et al. A Self‐Adjusting Search Domain Method‐Based Genetic Algorithm for Solving Flexible Job Shop Scheduling Problem
CN112330023A (zh) 考虑主观需求的0-1背包问题的求解方法及电子设备

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