[发明专利]基于移动模式序列与多智能体粒子群的集成电路布图方法

摘要

本发明公开一种基于模式移动序列与多智能体粒子群的集成电路布图方法，属于物理设计布图规划技术领域。本发明将模式移动序列作为编码方法，将多智能体系统与粒子群算法相结合，用于求解集成电路布图问题，其特征在于：首先根据采用随机生成的方法初始化智能体网格中的每个智能体，然后设计了模式移动序列对每个智能体进行编码，最后设计了邻域竞争算子、粒子群算法、自学习算子对智能体进行优化，验证结果表明，本发明在评定求解集成电路布图问题方法效用的一个重要的方面：求最小矩形包络的面积，有优势，是一种有效的求解集成电路布图问题的方法，还能扩展到求解多目标的集成电路布图问题。

主权项

一种基于移动模式序列与多智能体粒子群的集成电路布图方法，其特征是：至少包括如下步骤：步骤从101开始；步骤102：参数设定：BoxRX，BoxTY分别记录已摆放的模块最小矩形包络的右边界和上边界；LeftToRight和BottomToTop是两个数组，分别记录按从左到右和从下到上的顺序记录已放置好的模块的右边界和上边界，即LeftToRight包含有x、yb、yt，BottomToTop包含有x1、xr、y；Edge//X和Edge//Y分别记录平行于X轴和Y轴的位置信息；Lsize×Lsize为多智能体的网格大小，t为大于或等于0的整数，表示第t代，Lt表示第t代智能体网格，Lt+1/2是Lt和Lt+1间的中间代智能体网格，Bestt是L0，L1，…，Lt中最优的智能体，CBestt是Lt中最优的智能体，sLssize×sLssize为自学习时的多智能体的网格大小，st表示为自学习时多智能体的代数，r1、r2指随机产生的0到1之间的实数，Li,j表示处在智能体网格第i行、第j列的智能体，energy(Li,j)表示智能体Li,j的能量，Po为邻域竞争时的选择变异概率，c1和c2为粒子群算法中的加速因子，W为粒子群算法中线性递减的惯性权重，n为所有微粒的总数；步骤103：初始化智能体网格L0，更新Best0，采用随机生成满足模块顺序、移动序列号、模块方向的智能体网络，例如有9个模块，则模块顺序采用随机生成没有重复的0‑8之间的9个整数，移动序列 号采用随机生成0‑3之间的9个整数，模块方向采用随机生成0‑1之间的9个整数；步骤104：循环调用基于模式移动序列的算法对智能体网格中每个智能体进行编码；步骤105：计算适应度函数，并搜索出智能体中的个体极值和全局最好值，令t=0；步骤106：网格Lt中每个智能体执行邻域竞争算子，得到Lt+1/2，Li,jmax表示智能体Li,j邻域中能量最大的智能体，如果energy(Li,j)>energy(Li,jmax)，则智能体Li,j继续存活在网格上，否则，必须死亡，空出的格点由交换Li,jmax的一部分而得到的新智能体占据,占据的方法由循环调用变异算法对每个智能体进行变异；步骤107：对Lt+1/2中的每个智能体，将PSO算法作用在其上，进化得到Lt+1，对每个智能体的模块的摆放顺序采用PSO公式进行变化，对于模块的方向和模块的移动序列号采用单点交叉的方法，当当前代数t为偶数时，它们将和全局最好值的模块的方向和模块的移动序列号进行单点交叉，否则，它们将和个体极值的模块的方向和模块的移动序列号进行单点交叉，得到新的智能体网络；步骤108：从Lt+1中找出CBestt+1；步骤109：将自学习算子作用在CBestt+1上，由CBestt+1循环调用变异产生新智能体sLssize×sLssize，变异方法与步骤105中变异方法相同，ssize是自学习时智能体的大小,若智能体sLi,j满足自学习条件，不断执行将邻域竞争算子和PSO算法作用在新产生的智能体sLi,j上， 邻域竞争算子和PSO算法分别与步骤106和步骤107中的邻域竞争算子和PSO算法相同，直到自学习算子结束，即达到自学习时的最大代数，将自学习结束后得到的全局最优值赋值给CBestt+1；步骤110：如果energy(CBestt+1)>energy(Bestt)，则直接进入步骤111；否则，转向步骤112；步骤111：把CBestt+1的值赋予Bestt+1，转向步骤113；步骤112：把Bestt的值赋予Bestt+1，把Bestt的值赋予CBestt+1；步骤113：如果不满足终止准则满足，即没有达到最大进化代数，令t自加1，转向步骤106；否则，转向步骤114；步骤114：结束基于模式移动序列与多智能体粒子群的集成电路布图方法。