申请/专利权人：电子科技大学

申请日：2024-01-10

公开（公告）日：2024-03-22

公开（公告）号：CN117556775B

主分类号：G06F30/392

分类号：G06F30/392;G06F18/214;G06F18/25;G06N3/006;G06F115/12

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明提供了多目标芯片电路参数优化设计方法，属于芯片优化设计领域。本发明包括：根据需求确定电子元件和电路拓扑结构，以实现芯片所需的具体功能；将该电路元器件参数编码为适合于多目标智能优化算法的数据结构；初始化N个电路拓扑结构和元器件数量作为种群中的个体并进行适应度评估；表征新的元器件参数的子代生成；基于仿真器或代理模型的适应度评估；最优档案的更新；代理模型的创建或更新；重复上述步骤获得最终最优电路元器件参数。本发明使用了数据驱动的多目标优化方法解决电路参数设计问题，充分利用了智能化仿真工具的准确性，在进化过程中适当的矫正代理模型，使其能随着进化后期样本数据的增加，提高整个进化过程的搜索准确性。

主权项：1.多目标芯片电路参数优化设计方法，其特征在于，包括下列步骤：步骤1、根据需求确定电子元件和电路拓扑结构，以实现芯片所需的具体功能；并确定该芯片两个及以上的指标作为优化的目标；步骤2、选择编码方式将电路元器件参数编码，表征进化算法中的N个个体，作为决策变量；步骤3、初始化N个个体，表征不同电路元器件参数；步骤4、对初始化的N个个体进行适应度评估；即将N个个体用智能化仿真工具获得关注的电路目标性能中的结果；步骤5、对N个个体执行进化算法中的后代生成算子操作获得N个子代，并表征N个子代的元器件参数；步骤6、对N个子代进行基于迭代选择的适应度评估；如果本次进化迭代次数为奇数，就借助真实的智能化仿真工具进行适应度的评估；如果本次进化迭代次数为偶数，就借助集成代理模型进行适应度的评估；步骤7、最优档案的创建与更新；建立最优个体档案，用于储存N个最优个体，初始状态下档案中包含N个个体中的部分或全部，然后基于多模型随机排序和帕累托占优的方式去更新对当前档案里的最优个体，具体操作如下：首先使用多模型随机排序方法选取部分代理模型，并将这些代理模型对于子代电路的优化目标进行预测，随后将子代和档案中原本存在的个体进行融合并更新；如果子代和原本存在的个体融合后未超过档案的设定大小N，那么将子代直接融合进当前档案；如果子代和原本存在的个体融合后超过档案的设定大小N，那么需要先对个体进行帕累托分层支配排序，并寻找到帕累托占优层级的最后一层，并将帕累托占优层级的最后一层的个体进行拥挤度排序，最后将拥挤度过高的个体删除，直到满足档案的设定大小N；步骤8、集成代理模型的创建与更新；如果代理模型还未构建，首先构建集成代理模型，具体步骤如下：步骤8.1：使用异构集成学习策略，具体为分别使用多个代理模型去拟合芯片的历史数据，并划分训练数据和测试数据；步骤8.2：使用训练数据对代理模型进行训练，在训练过程中采用均方差和正则化项作为代理模型的两个损失函数；步骤8.3：采用多目标粒子群算法优化两个损失函数并获取对应的训练误差和正则化项的帕累托阈值前沿；步骤8.4：采用两级最优决策方法在训练误差帕累托阈值前沿中选出指定数量的候选解集，并根据解集在预测数据上的最终性能来确定代理模型的参数；具体而言，第一级决策先根据每个代理模型中帕累托前沿分布的多样性情况选择均匀分布的n个范围，然后在第二级决策的时候每个范围里选择一个确定的候选解集，在训练误差帕累托阈值前沿中选出n个候选解集，通过这n个解集所对应的参数构建成所对应的代理模型，然后使用测试数据预测并计算对应的均方差，最后选择在测试数据上的均方差最小的参数并完成集成代理模型的构建；在迭代时使用之前通过智能化仿真工具获取到的数据样本用于代理模型的更新；步骤9：若当前档案中的最优个体的适应度评估满足用户指定的性能指标，则从档案中获取最终的包含当前电路拓扑结构和元器件数量下的最优元器件参数，用于用户最终的决策；若当前档案中的最优个体的适应度评估未满足用户指定的性能指标，则重复步骤5-步骤9，直至满足迭代终止条件。

全文数据：

权利要求：

百度查询： 电子科技大学 多目标芯片电路参数优化设计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD