CN117910410A - 大规模多目标模拟芯片电路进化优化设计方法 - Google Patents

大规模多目标模拟芯片电路进化优化设计方法 Download PDF

Info

Publication number
CN117910410A
CN117910410A CN202410309468.2A CN202410309468A CN117910410A CN 117910410 A CN117910410 A CN 117910410A CN 202410309468 A CN202410309468 A CN 202410309468A CN 117910410 A CN117910410 A CN 117910410A
Authority
CN
China
Prior art keywords
optimization
differential
decision variables
decision
grouping
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.)
Granted
Application number
CN202410309468.2A
Other languages
English (en)
Other versions
CN117910410B (zh
Inventor
胡旺
罗子奥
章语
李欣悦
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202410309468.2A priority Critical patent/CN117910410B/zh
Publication of CN117910410A publication Critical patent/CN117910410A/zh
Application granted granted Critical
Publication of CN117910410B publication Critical patent/CN117910410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种大规模多目标模拟芯片电路进化优化设计方法，属于进化计算与超大规模集成电路领域。本发明的差分分组模块采用决策变量与优化目标间的向前差分信息对决策变量进行分组，能够清晰地反应决策变量与优化目标间变化趋势的一致性；针对属于不同差分分组的决策变量采用具有不同策略的优化算法进行自适应合作协同进化，能够将高维的问题分解为一组低维子问题，对问题进行降维；优化算法添加分组模块置信度自适应策略以自适应调整决策变量的分组，增加了分组模块的分组结果可信度与结果的严谨性。

Description

大规模多目标模拟芯片电路进化优化设计方法
技术领域
本发明属于进化计算与超大规模集成电路领域，具体涉及一种大规模多目标模拟芯片电路进化优化设计方法。
背景技术
维数灾难是从一开始就困扰着科学家的难题，从计算线性代数和机器学习到数值优化，解决维数灾难问题一直是计算科学领域许多研究工作的核心。在数值优化的背景下，维度诅咒是由输入变量数量增加时搜索空间大小的指数增长引起的。近年来，这种情况被松散地称为“大规模优化”或“大规模全局优化”。全局一词是为了强调启发式和元启发式的作用，尤其是在连续优化的背景下。
近年来，基于群体的元启发式算法在解决大规模全局优化问题方面也越来越受欢迎。尽管普遍存在计算成本高的批评，但并行计算的普及使得种群规模和迭代成本的问题变得次要，因为它们具有处理多模态景观、欺骗性函数的独特能力和一般搜索能力。最近的研究表明，进化算法是一种基于种群的元启发式算法，可以与主导深度学习领域的经典优化方法相媲美。进化算法在解决数百万甚至数十亿变量的问题时也表现出了强大的能力，而在这些问题上，经典算法被证明是低效的。
显式方法将问题结构信息转化为显式形式，如变量交互矩阵或树，并利用它们将问题分解为一系列低维子问题，或设计尊重问题结构的特殊变异算子，如交叉算子。在大规模全局优化中广为流行的一种显式方法是合作协同进化（Cooperative Co-evolution,CC）。CC 框架要求将问题分解为一系列低维子问题，每个子问题单独优化。CC 框架为每个子问题（又称组件）维护一个单独的群体，这些群体以循环方式共同进化。由于每个组件的候选解并不能形成一个完整的解决方案，因此需要其他组件的代表性解来形成一个完整的解决方案进行评估。这些代表性解决方案会形成一个完整的解决方案，即上下文向量，用于评估所有部分解决方案。上下文向量会反复更新，并充当合作发生的上下文。
摩尔定律是以英特尔公司联合创始人戈登-摩尔的名字命名的，它预言集成电路上的晶体管密度大约每两年翻一番。在过去的五十年里，芯片上的晶体管数量按照摩尔定律呈指数级增长。半导体行业一直遵循这一定律指导研发工作。然而，随着晶体管特征尺寸进一步缩小到极限尺寸（如 10 纳米及以上），半导体行业在实现高可制造性和高可靠性方面正面临着巨大的挑战。此外，在设计过程中往往需要适当选择独立的设计参数，因此，优化过程使用这些参数作为变量来搜索最优解。然而，由于晶体管数量的指数级增长所带来的维度诅咒，该过程往往效果不佳。
因此，需要设计一种属于超大规模集成电路领域的优化设计方法对超大规模集成电路进行快速且有效的优化。
发明内容
本发明的目的在于提供一种大规模多目标模拟芯片电路进化优化设计方法，用以对具有大规模特性的电路进行优化设计并提高电路的性能。本发明具体提出一种将电路参数表征为决策变量，使用差分分组模块对决策变量进行分组，并通过具有置信度自适应策略的不同优化方法对不同的分组进行合作协同进化的方法。
为实现上述目的，本发明采用的技术方案为：
一种大规模多目标模拟芯片电路进化优化设计方法，包括以下步骤：
步骤1：构建表征元器件参数的决策变量：能表征元器件参数的决策变量包括实际待优化大规模集成电路中各晶体管内可变元器件的参数；
步骤2：初次优化：初始化决策变量的值为待优化大规模集成电路的初始元器件参数，初次迭代时采用大规模进化算法进行优化，得到一组新的决策变量值；
步骤3：差分分组：将初次优化得到的新的决策变量值与优化目标送入差分分组模块，由差分分组模块输出每个表征电路元器件参数的决策变量所处的组；
步骤4：自适应合作协同进化：按照差分分组模块对决策变量的分组结果，不同分组的决策变量采用不同策略的大规模进化算法进行优化，同时在优化过程中加入置信度自适应策略进行合作自适应优化，以自适应调整表征电路元器件参数的决策变量的分组；
步骤5：优化后电路质量评估（结果适应度评估）：优化结果直接调用实际工程仿真软件接口，由仿真软件输出优化目标结果；
步骤6：将上述步骤4-步骤5多次重复，迭代至优化目标已达到最优或者达到最大迭代次数，得到优化结果。
进一步的，所述大规模多目标模拟芯片电路进化优化设计方法，所述构建表征元器件参数的决策变量包括：确定待优化大规模集成电路中元器件与功能模块参数是否可变、确定元器件和功能模块参数的可变范围。
进一步的，所述大规模多目标模拟芯片电路进化优化设计方法，所述自适应合作协同进化其特征在于，使用包括但不限于多目标粒子群算法MOPSO、多目标遗传算法NSGA2和其他智能优化领域内的多目标进化算法，除初次迭代之外的迭代按照差分分组模块对决策变量的分组结果，对属于不同组别的表征元器件参数的决策变量采用不同的优化方法，同时在优化算法中加入分组模块置信度自适应策略进行自适应合作协同优化。
更进一步的，所述大规模多目标模拟芯片电路进化优化设计方法，所述差分分组模块其特征在于，对单个表征元器件参数的决策变量与优化目标分别进行差分运算，根据差分运算的不同结果将表征元器件参数的决策变量进行分组。
最后，所述大规模多目标模拟芯片电路进化优化设计方法，所述优化后电路质量评估其特征在于，算法的优化过程直接调用实际工程所用的仿真软件进行仿真与结果评估。
本发明的有益效果如下：
1.差分分组模块采用决策变量与优化目标间的向前差分信息对决策变量进行分组，能够清晰地反应决策变量与优化目标间变化趋势的一致性。
2.针对属于不同差分分组的决策变量采用具有不同策略的优化算法进行自适应合作协同进化，能够将高维的问题分解为一组低维子问题，对问题进行降维。
3.优化算法添加分组模块置信度自适应策略以自适应调整决策变量的分组，增加了分组模块的分组结果可信度与结果的严谨性。
附图说明
图1为本发明实施例提供的基于自适应差分分组的大规模多目标芯片电路优化方法流程图。
图2为本发明实施例提供的作为分组模块置信度自适应策略的自适应权重法流程图。
具体实施方式
为使本发明的目的、技术方案和有益效果更加清楚明白，下面将结合具体实施例对本发明的具体实施方式作进一步地详细说明。
本实例以输入信号为小信号模型的负反馈放大电路为例，以低频增益和输出带宽这两个相互冲突的电路性能指标作为主要优化目标，另一个电路性能指标群延迟的最大变化量作为约束条件进行优化。在该放大电路中，可变参数的元器件总数量为82，其中，45个电阻的可变范围为85欧姆到115欧姆，29个电容的可变范围为12.75伏法到17.25伏法，8个电感的可变范围为382.5皮亨到517.5皮亨，各元器件参数的变化精度为0.01。
基于上述电路，本实例提供一种大规模多目标模拟芯片电路进化优化设计方法，其流程如图1所示，具体包括以下步骤：
步骤1：构建表征元器件参数的决策变量
构建表征元器件参数的决策变量包括：确定待优化大规模集成电路中元器件参数是否可变与确定元器件参数的可变范围。
具体而言，在本具体实施例中：
确定可变参数的元器件的过程为：去除待优化负反馈放大电路中不可改变参数的绑线及光电二极管模型，去除不可改变参数的等效后仿寄生电阻，确定剩余集成电路中剩余可变参数的晶体管、晶体管内所包含的元器件以及晶体管外可变参数的元器件，在该待优化负反馈放大电路中，所有晶体管均可改变参数，晶体管内的所有电阻和电容均可改变参数，晶体管外除等效后仿寄生电阻之外的元器件均可改变参数。经过上述步骤，确定可变参数的元器件总数为82个，其中包含45个电阻、29个电容、8个电感。
确定元器件参数的可变范围的过程为：在不改变电路结构的前提下，考虑电流选取问题以及物理条件约束，确定可变参数的元器件参数可在初始值上下浮动的范围。在该待优化负反馈放大电路中，在不改变晶体管内电流流通方向的前提下，考虑电路其他处不会出现短路以及短路现象，最终确定所有可变参数的元器件参数变化范围为初始值的上下15%。
步骤2：初始优化
经过步骤1后，初始化决策变量的值为待优化大规模集成电路的初始元器件参数，设置决策变量的变化范围为元器件参数的可变范围，对初始化后的决策变量使用大规模进化算法进行第一次迭代进化得到一组新的决策变量值。使用新的决策变量值作为电路元器件参数进行实际仿真得到相应的电路性能指标即优化目标值。
对于初次迭代，由于只有初始种群的决策变量与优化目标，无法获取到决策变量与优化目标间的向前差分信息，因此采用一种优化方法对所有表征元器件参数的决策变量进行统一优化。
具体而言，在本具体实施例中，初次优化使用多目标粒子群算法MOPSO对所有表征元器件参数的决策变量进行统一优化得到一组新的决策变量值和优化目标值。
步骤3：差分分组
将步骤2初始优化后当代种群的决策变量以及优化目标值送入差分分组模块，对每个表征元器件参数的决策变量与不同优化目标分别进行一阶差分运算，其向前差分算子表示为：；
其中，i表示决策变量的维度，x i 表示表征元器件参数的决策变量，y i 表示优化目标，第n次迭代的表征元器件参数的决策变量，/>表示第n次迭代的优化目标，/>表示表征元器件参数的决策变量的向前差分算子，/>表示优化目标的向前差分算子；在分别计算表征元器件参数的决策变量和优化目标的向前差分算子后，差分分组模块会比较向前差分算子/>和/>的正负关系从而划分表征元器件参数的决策变量的分组，差分分组模块的分组结果表示为：
（1）若表征元器件参数的决策变量的向前差分算子与优化目标的向前差分算子/>同为正或者同为负，则表明表征元器件参数的决策变量的变化与其变化导致的与优化目标的变化趋势相同，此时将表征元器件参数的决策变量划分为差分同向组；
（2）若表征元器件参数的决策变量的向前差分算子与优化目标的向前差分算子/>的正负互不相同，则表明表征元器件参数的决策变量的变化与其变化导致的与优化目标的变化趋势相反，此时将表征元器件参数的决策变量划分为差分异向组；
（3）若优化目标的向前差分算子为零，则表明表征元器件参数的决策变量的变化将不会导致优化目标的变化，此时将表征元器件参数的决策变量划分为差分方向不敏感组。
进一步的，在本具体实施例中，为了结果的严谨性和优越性，在进化过程中，每隔5次迭代后，再次将当次迭代的表征电路元器件参数的决策变量与优化目标送入差分分组模块，由差分分组模块动态更新每个表征元器件参数的决策变量的分组。例如，第一次迭代完成之后就可以根据迭代后的种群以及初始种群间的差分分组信息输入差分分组模块进行第一次分组，使用第一次分组结果迭代5次后得到第6代种群，使用第6代种群以及第5代种群间的差分信息输入差分分组模块获得第二次分组信息，第6代种群迭代到第7代种群时就使用第二次分组信息。
步骤4：自适应合作协同进化
对于初次优化后的所有迭代，可以获取到决策变量与优化目标间的向前差分信息作为差分分组模块的输入以得到差分分组模块的分组结果。根据差分分组模块的分组结果，对属于不同组别的表征元器件参数的决策变量采用不同的优化方法，同时在优化过程中加入自适应算法策略进行合作自适应优化。
具体而言，在本具体实施例中，对属于差分同向组和差分异向组的表征元器件参数的决策变量采用使用了伪梯度下降策略多目标粒子群算法MOPSO进行进化优化，对属于差分方向不敏感组的表征元器件参数的决策变量采用多目标粒子群算法MOPSO进行进化优化，将表征元器件参数的决策变量按照多目标粒子群算法MOPSO的位置更新公式更新位置，计算出决策变量新位置对应的优化目标值，最后再根据帕累托占优原则评估决策变量适应度；其中，伪梯度下降策略多目标粒子群算法MOPSO中梯度下降方向的公式为：；
其中，g p 为梯度下降方向，为全局最优点的决策变量值，/>为单个粒子搜索到的最优点的决策变量值，/>为全局最优点的目标值，/>为单个粒子搜索到的最优点的目标值；其中gbest为全局最优的点，pbest为单个粒子搜索到的最优的点，此梯度下降方向公式可以同时考虑gbest和pbest两个优秀的搜索方向，兼具搜索速度与搜索多样性，加速算法的收敛速度与收敛质量。
在得到梯度下降方向后，pbest向梯度下降方向搜索的公式为：；
其中，为粒子经过多目标粒子群算法MOPSO迭代进化后的个体最优点的决策变量值，/>为粒子向梯度下降方向搜索后的个体最优点的决策变量值，此搜索公式会将pbest朝包含了全局最优点影响的梯度下降方向引导；/>是一个需要仔细斟酌后设置的一个小步长常数，该常数度量了往梯度下降方向搜索的精细和粗略，在本具体实例中，/>设置为0.01，既兼顾了算法收敛的速度又兼顾了算法搜索的细致性。
为了结果的严谨性和优越性，在本具体实施例中，添加的自适应算法策略采用自适应权重法对差分分组模块分组结果的置信度进行自适应评估，该方法会给所有表征元器件参数的决策变量分配相同的初始权重并将权重上限设置为初始权重值。如图2所示，在进化过程中，如果差分分组模块对于该表征元器件参数的决策变量的分组结果和上一次分组结果一致，则权重升高但不超过权重上限；如果差分分组模块对于该表征元器件参数的决策变量的分组结果和上一次分组结果不一致，则权重降低。当权重低于一个阈值时，表明该表征元器件参数的决策变量的分组结果频繁跳动，自适应权重法认定该决策变量的分组可信度较差，此时会将该决策变量分入差分方向不敏感组进行优化。
步骤5：优化后电路质量评估
在优化算法完成每次迭代进化后，算法直接调用实际工程所用设计软件进行仿真与结果评估；
具体而言，在本具体实施例中，基于Matlab的优化算法直接调用实际工程所用的芯片电路设计软件Cadence IC Virtuoso的接口进行仿真，得出优化目标的仿真数据，而非自己构建优化电路指标目标的数学函数模型，增加了所述大规模多目标芯片电路优化设计方法优化结果的严谨性、可靠性和优越性。
步骤6：多次重复上述步骤4-步骤5
多次重复上述步骤4-步骤5直到迭代至优化目标已达到最优或者达到最大评估次数，得到优化结果。
具体而言，在本具体实施例中，将最大迭代次数设置为30000次评估，达到最大评估次数即终止。本具体实施例所使用的多目标粒子群算法MOPSO，完成优化，得到优化结果。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (7)

1.一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，包括以下步骤：
步骤1：构建表征元器件参数的决策变量；所述决策变量包括实际待优化大规模集成电路中各晶体管内可变元器件的参数；
步骤2：初次优化；初始化决策变量的值为待优化大规模集成电路的初始元器件参数，初次迭代时采用大规模进化算法进行优化，得到一组新的决策变量值；
步骤3：差分分组；将初次优化得到的新的决策变量值与优化目标送入差分分组模块，由差分分组模块输出每个表征电路元器件参数的决策变量所处的组；
步骤4：自适应合作协同进化；按照差分分组模块对决策变量的分组结果，不同分组的决策变量采用不同策略的大规模进化算法进行优化，同时在优化过程中加入置信度自适应策略进行合作自适应优化，以自适应调整表征电路元器件参数的决策变量的分组；
步骤5：优化后电路质量评估；优化结果直接调用实际工程仿真软件接口，由仿真软件输出优化目标结果；
步骤6:将上述步骤4-步骤5多次重复，迭代至优化目标已达到最优或者达到最大迭代次数，得到优化结果。
2.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述构建表征元器件参数的决策变量具体为：确定所述元器件参数是否可变与确定元器件参数的可变范围。
3.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述大规模进化算法包括但不限于多目标粒子群算法MOPSO、伪梯度下降策略多目标粒子群算法MOPSO、多目标遗传算法NSGA2和其他智能优化领域内的多目标进化算法。
4.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述大规模进化算法为伪梯度下降策略多目标粒子群算法MOPSO，具体过程如下：
伪梯度下降策略多目标粒子群算法MOPSO中梯度下降方向的公式为：；
其中，g p 为梯度下降方向，为全局最优点的决策变量值，/>为单个粒子搜索到的最优点的决策变量值，/>为全局最优点的目标值，/>为单个粒子搜索到的最优点的目标值；
在得到梯度下降方向后，pbest向梯度下降方向搜索的公式为：；
其中，为粒子经过多目标粒子群算法MOPSO迭代进化后的个体最优点的决策变量值，/>为粒子向梯度下降方向搜索后的个体最优点的决策变量值，/>为小步长常数；
表征元器件参数的决策变量按照伪梯度下降策略多目标粒子群算法MOPSO的位置公式更新位置，计算出决策变量新位置对应的优化目标值，最后再根据帕累托占优原则评估决策变量适应度。
5.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述置信度自适应策略采用自适应权重法对差分分组模块分组结果的置信度进行自适应评估，具体为：给所有表征元器件参数的决策变量分配相同的初始权重并将权重上限设置为初始权重值，在进化过程中，如果差分分组模块对于该表征元器件参数的决策变量的分组结果和上一次分组结果一致，则权重升高但不超过权重上限；如果差分分组模块对于该表征元器件参数的决策变量的分组结果和上一次分组结果不一致，则权重降低；当权重低于一个阈值时，将该决策变量分入差分方向不敏感组进行优化。
6.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，所述差分分组模块的具体步骤如下：
对每个表征元器件参数的决策变量与不同优化目标分别进行一阶差分运算，其向前差分算子表示为：；
其中， i表示决策变量的维度，x i 表示表征元器件参数的决策变量，y i 表示优化目标，第n次迭代的表征元器件参数的决策变量，/>表示第n次迭代的优化目标，/>表示表征元器件参数的决策变量的向前差分算子，/>表示优化目标的向前差分算子；差分分组模块的分组结果表示为：
若表征元器件参数的决策变量的向前差分算子与优化目标的向前差分算子/>同为正或者同为负，则将表征元器件参数的决策变量划分为差分同向组；
若表征元器件参数的决策变量的向前差分算子与优化目标的向前差分算子/>的正负互不相同，则将表征元器件参数的决策变量划分为差分异向组；
若优化目标的向前差分算子为零，则将表征元器件参数的决策变量划分为差分方向不敏感组。
7.根据权利要求1所述的一种大规模多目标模拟芯片电路进化优化设计方法，其特征在于，在迭代过程中，每隔5次迭代后，再次将当次迭代的表征电路元器件参数的决策变量与优化目标送入差分分组模块，由差分分组模块动态更新每个表征元器件参数的决策变量的分组。
CN202410309468.2A 2024-03-19 2024-03-19 大规模多目标模拟芯片电路进化优化设计方法 Active CN117910410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410309468.2A CN117910410B (zh) 2024-03-19 2024-03-19 大规模多目标模拟芯片电路进化优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410309468.2A CN117910410B (zh) 2024-03-19 2024-03-19 大规模多目标模拟芯片电路进化优化设计方法

Publications (2)

Publication Number Publication Date
CN117910410A true CN117910410A (zh) 2024-04-19
CN117910410B CN117910410B (zh) 2024-05-31

Family

ID=90687426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410309468.2A Active CN117910410B (zh) 2024-03-19 2024-03-19 大规模多目标模拟芯片电路进化优化设计方法

Country Status (1)

Country Link
CN (1) CN117910410B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019109757A1 (zh) * 2017-12-06 2019-06-13 华南理工大学 运用粒子群算法优化功率电子电路的方法
CN113392566A (zh) * 2021-07-13 2021-09-14 柳培忠 一种基于差分的仿真优化设计方法
CN113642732A (zh) * 2021-07-09 2021-11-12 西安理工大学 协同进化和协方差的数据优化方法、系统、设备和介质
US20220414307A1 (en) * 2021-06-25 2022-12-29 Southern University Of Science And Technology Method, apparatus, computer device, and storage medium for automatic design of analog circuits based on tree structure
CN115951992A (zh) * 2022-12-02 2023-04-11 支付宝(杭州)信息技术有限公司 在线资源分配方法和系统
CN116306919A (zh) * 2023-03-09 2023-06-23 华东理工大学 基于问题重组的大规模多目标组合优化方法及应用
CN117454824A (zh) * 2023-12-26 2024-01-26 电子科技大学 基于双层多目标优化的芯片电路设计方法
CN117556775A (zh) * 2024-01-10 2024-02-13 电子科技大学 多目标芯片电路参数优化设计方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019109757A1 (zh) * 2017-12-06 2019-06-13 华南理工大学 运用粒子群算法优化功率电子电路的方法
US20220414307A1 (en) * 2021-06-25 2022-12-29 Southern University Of Science And Technology Method, apparatus, computer device, and storage medium for automatic design of analog circuits based on tree structure
CN113642732A (zh) * 2021-07-09 2021-11-12 西安理工大学 协同进化和协方差的数据优化方法、系统、设备和介质
CN113392566A (zh) * 2021-07-13 2021-09-14 柳培忠 一种基于差分的仿真优化设计方法
CN115951992A (zh) * 2022-12-02 2023-04-11 支付宝(杭州)信息技术有限公司 在线资源分配方法和系统
CN116306919A (zh) * 2023-03-09 2023-06-23 华东理工大学 基于问题重组的大规模多目标组合优化方法及应用
CN117454824A (zh) * 2023-12-26 2024-01-26 电子科技大学 基于双层多目标优化的芯片电路设计方法
CN117556775A (zh) * 2024-01-10 2024-02-13 电子科技大学 多目标芯片电路参数优化设计方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
ANIL YAMAN 等: "Limited Evaluation Cooperative Co-evolutionary Differential Evolution for Large-scale Neuroevolution", PROCEEDINGS OF THE GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE, 31 July 2018 (2018-07-31), pages 569 - 576, XP058412055, DOI: 10.1145/3205455.3205555 *
ZHENYU YANG 等: "An Adaptive Coevolutionary Differential Evolution Algorithm for Large-scale Optimization", 2009 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION, 29 May 2009 (2009-05-29), pages 102 - 109, XP031466210 *
唐红亮 等: "基于粒子群优化的地震应急物资多目标调度算法", 电子与信息学报, vol. 42, no. 03, 15 March 2020 (2020-03-15), pages 737 - 745 *
张乐 等: "基于自适应加权的模拟集成电路多目标优化方法研究", 物联网技术, vol. 06, no. 10, 20 October 2016 (2016-10-20), pages 74 - 75 *
梁静;刘睿;于坤杰;瞿博阳;: "求解大规模问题协同进化动态粒子群优化算法", 软件学报, no. 09, 13 November 2017 (2017-11-13), pages 2595 - 2605 *
梁静;刘睿;瞿博阳;岳彩通;: "进化算法在大规模优化问题中的应用综述", 郑州大学学报(工学版), no. 03, 13 November 2017 (2017-11-13), pages 15 - 21 *
王豫峰;董文永;董学士;: "求解变量重叠型大尺度优化问题的相关性学习协同演化策略", 电子学报, no. 03, 15 March 2018 (2018-03-15), pages 529 - 536 *
邱飞岳;胡烜;王丽萍;: "关联变量分组的分解多目标进化算法研究", 计算机科学, no. 12, 15 December 2017 (2017-12-15), pages 202 - 210 *
陈天: "基于决策变量分类的大规模多目标进化算法研究", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 02, 15 February 2021 (2021-02-15), pages 002 - 1066 *

Also Published As

Publication number Publication date
CN117910410B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
Wang et al. cPSO-CNN: An efficient PSO-based algorithm for fine-tuning hyper-parameters of convolutional neural networks
Zitzler et al. SPEA2: Improving the strength Pareto evolutionary algorithm
CN110188785A (zh) 一种基于遗传算法的数据聚类分析方法
Liu et al. An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning
CN110119558B (zh) 一种基于差分优化算法的电路参数优化方法
Aljahdali et al. Software effort estimation by tuning COOCMO model parameters using differential evolution
Zhang et al. Hybrid fuzzy clustering method based on FCM and enhanced logarithmical PSO (ELPSO)
Sevinc A novel evolutionary algorithm for data classification problem with extreme learning machines
Mariani et al. A hybrid shuffled complex evolution approach with pattern search for unconstrained optimization
CN110210529A (zh) 一种基于二进制量子粒子群算法的特征选择方法
Chaudhury et al. Algorithmic optimization of BDDs and performance evaluation for multi-level logic circuits with area and power trade-offs
CN117910410B (zh) 大规模多目标模拟芯片电路进化优化设计方法
CN114580763A (zh) 一种基于改进蜻蜓与轻量级梯度提升树模型的电力负荷预测方法
CN117688887A (zh) 一种基于知识和数据双驱动人工智能的电路设计方法
Chattopadhyay et al. Feature selection using differential evolution with binary mutation scheme
Kamiura et al. MOGADES: Multi-objective genetic algorithm with distributed environment scheme
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
CN113554144B (zh) 用于多目标进化特征选择算法的自适应种群初始化方法和存储设备
CN114327859B (zh) 云计算环境大规模问题代理优化的源模型聚类选择方法
Koh et al. Multi-objective particle swarm optimization with alternate learning strategies
Zhao et al. Evolutionary design of analog circuits with a uniform-design based multi-objective adaptive genetic algorithm
Shao et al. A Non-uniform Clustering Based Evolutionary Algorithm for Solving Large-Scale Sparse Multi-objective Optimization Problems
CN112000915B (zh) 一种气体传感器阵列数据融合方法
CN118192276B (zh) 一种基于多目标MAP-Elites的机器人损伤恢复方法
Zhou et al. High-dimensional feature selection in classification: a length-adaptive evolutionary approach

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