[发明专利]一种基于线序模拟的PCB自动布线方法及系统

权利要求书

1.一种基于线序模拟的PCB自动布线方法，其特征在于，包括：

步骤1：对待布线PCB板进行分析，生成PCB板环境矩阵，并确定所述待布线的PCB板对应的n根目标线；

步骤2：以每根所述目标线为节点，采用蒙特卡洛法在所述PCB板环境矩阵中进行线序的迭代模拟：在每次模拟中，结合自动布线算法，生成蒙特卡洛所扩展节点的布线路径，以使蒙特卡洛模拟得到n根所述目标线对应的线序集合与布线路径，根据n根所述目标线布线路径总长度以及布通率对模拟结果进行评价，根据评价结果对节点状态进行反向更新，迭代次数加一；当达到最大迭代次数时，根据节点的最终状态选择最优线序集合与布线路径。

2.根据权利要求1所述的方法，其特征在于，建立用于表征n根所述目标线布线路径总长度以及布通率的评价函数，通过所述评价函数对模拟结果进行评价。

3.根据权利要求1所述的方法，其特征在于，还包括：联合深度学习模型对所述蒙特卡洛法进行改进，以提高蒙特卡洛的搜索效率。

4.根据权利要求3所述的方法，其特征在于，所述深度学习模型用于在每次模拟中，输出先验概率辅助蒙特卡洛选择节点进行扩展，结合自动布线算法，生成蒙特卡洛法所扩展节点的布线路径；以及，对蒙特卡洛模拟得到n根所述目标线对应的线序集合与自动布线算法生成的各条线的布线路径进行评价，根据评价结果对蒙特卡洛中各节点的状态进行反向更新。

5.根据权利要求4所述的方法，其特征在于，基于VGG-16或Resnet或Densenet架构构建所述深度学习模型。

6.根据权利要求5所述的方法，其特征在于，所述深度学习模型的卷积部分结构采用ResNet34结构，卷积层后是两层全连接层。

7.根据权利要求3-6任一所述的方法，其特征在于，所述深度学习模型的损失函数被定义为：

其中，B_p为训练的步长，γ||w_p||₂是用来防止参数过拟合的正则项；其对应动作选择概率标签和状态价值标签为{π_t,z_t}。

8.根据权利要求1或4所述的方法，其特征在于，所述自动布线算法，包括：Lee算法、A*搜索算法、线探索法、最优通道法、细胞结构法、拓扑类并法、快速迷路法、以及联合蒙特卡洛树模型。

9.一种基于线序模拟的PCB自动布线系统，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；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权利要求1至8中任一项所述的方法。