[发明专利]一种基于遗传算法和机器学习的并行模拟电路优化方法

摘要

本发明涉及一种基于遗传算法和机器学习的并行模拟电路优化方法。本发明包括基于遗传算法的全局优化和基于机器学习的局部优化。全局优化和局部优化交替执行。在基于遗传算法的全局优化部分，将SPICE仿真和并行计算结合，采用并行SPICE仿真，在保证精度的同时大大提高了优化效率。在基于机器学习的局部优化阶段，在全局优化得到的全局最优点附近建立机器学习模型，用该机器学习模型代替SPICE仿真器，从而减少大量SPICE仿真带来的时间成本。其中，训练机器学习模型的训练数据也是通过并行SPICE仿真生成的，相比于串行仿真，显著提高了效率。本方法对模拟电路的优化在达到SPICE级优化精度的同时，大大提高了优化效率。

主权项

1.一种基于遗传算法和机器学习的并行模拟电路优化方法，其特征在于，包括步骤如下：(1)产生初始种群：根据正交拉丁方原理，在设计空间中进行采样，得到的数据形成初始种群；设计空间是指电路设计变量的取值范围，由用户定义决定；采样是指在设计空间中，选择多组变量值；采样得到的数据包括多组电路设计变量值，每组设计变量值包括各个设计变量的值；利用SPICE仿真器并结合并行技术，对初始种群同时进行多次SPICE仿真，并行执行SPICE仿真，即对每组设计变量值进行SPICE仿真并多次SPICE仿真同时进行，得到初始种群中各个个体的电路性能参数；个体是指初始种群中每组电路设计变量值，电路性能参数是指电路的性能值；(2)计算个体的cost值，并选择种群中cost值最小的个体为最优个体：(3)产生用于训练基于机器学习的电路性能模型的训练及测试数据集：(4)利用步骤(3)得到的训练及测试数据集，训练并生成基于机器学习的电路性能模型：利用步骤(3)得到的训练及测试数据集，进行训练模型，所述基于机器学习的电路性能模型，是指利用机器学习算法在全局最优点附近的局部范围内建立的数学模型，该模型能反映电路设计参数和性能指标之间的关系；(5)基于步骤(4)训练好的基于机器学习的电路性能模型，进行局部优化：在全局搜索得到的最优个体的邻域内进行搜索，利用步骤(4)训练好的基于机器学习的电路性能模型进行预测，即将电路设计变量值作为电路性能模型的输入，运行电路性能模型，电路性能模型输出的结果就是电路性能参数；根据电路性能模型输出的电路的性能参数计算cost值，cost值计算公式如式(Ⅰ)所示，局部搜索沿cost值减小的方向进行；(6)对步骤(5)基于机器学习的电路性能模型局部优化得到的结果，进行SPICE仿真验证，将SPICE仿真验证后的电路设计变量值及仿真结果更新初始种群中的最优个体；(7)判断是否满足优化终止条件，如果满足达到预先设定的迭代次数，或满足电路优化的目标，则优化结束，如果不满足，进入步骤(8)；(8)进入遗传算法的进化流程，依次通过选择、交叉、变异，产生新的种群；所述选择，是根据cost值，选取种群中的优良个体，cost值越小的个体被选中的概率越大；所述交叉，是按照预先设定的概率，在群体中随机选取种群中的一对个体，即随机选取电路的两组参数值，利用交叉算子进行交叉，产生新的个体；所述变异，是对种群中的个体的某些值，利用变异算子进行突变，产生新的个体；(9)对步骤(8)产生的新种群，利用SPICE仿真器结合并行计算技术，并行执行SPICE仿真；(10)重复步骤(2)到步骤(7)。