并行演化算法在半导体器件综合中的应用

文章将并行演化算法应用于半导体器件综合，根据半导体工艺与器件综合的特点选用了主从式孤岛模型．并分析了参数对性能和加速比的影响。     

遗传算法在半导体器件参数提取软件中的实现

随着半导体器件参数的增加,目标函数的自变量空间维数变得越来越大。传统的优化算法已经不能很好地处理此类问题,主要表现在无法有效地达到目标函数的极小点。文章首先在参数提取软件中实现了遗传算法,并与传统的优化算法进行了比较,探讨了该算法在参数提取软件中的实用性,提出了将遗传算法与传统优化算法结合在一起的方法。     

半导体器件的遗传算法优化设计

以晶体管设计为例,将遗传算法应用在半导体器件设计领域从而替代传统的设计方法,即给出输入电学设计要求,便能在计算机模拟运算后输出满足要求的多组参数,从而为实现半导体器件的计算机辅助设计迈出一大步。     

半导体器件的并行模拟分析

面对器件模拟问题中日益繁重的计算量,采用并行计算具有现实的必要性和可能性,本文在分析了已有并行结构设计方法的基础上,给出了一种基于网络计算的并行处理技术及算法设计结构,并获得了初步的测试结果。     

改进的用于半导体器件综合系统的遗传算法

本文对应用于器件综合系统的遗传算法GENOCOP进行了改进.将实数设计空间根据参数的工艺精度影响转换为整型空间,并加入适应性复合算子利用已经得到的点来扩展和开发准可行空间.使其保持有效搜索到可行解的特性的同时,在同等的算法设置下,提高了对可行空间的覆盖率(约2.87倍),可以帮助设计人员更有效的设计可工作的器件.     

应用遗传算法实现的MOS器件综合系统

为实现器件综合,即从期望的器件性能出发得到优化的器件设计参数,最关键的是要选用有效的优化搜索器件。文章将遗传算法应用于实现一个器件综合的原形系统,并通过对FIB-MOS器件的综合设计,验证了遗传算法和该器件综合原形系统的有效性。器件的参数化表示也被作为器件综合的重要问题进行了讨论。     

应用遗传算法实现MOS器件综合

研究了将遗传算法应用于器件综合问题,针对参数化的器件空间设计了相应的适应度函数和遗传算子,可用来得到器件的可行设计空间及研究参数对器件性能的影响.对FIBMOS器件的综合设计研究结果显示了本方法的有效性.     

应用遗传算法实现MOS器件综合

研究了将遗传算法应用于器件综合问题,针对参数化的器件空间设计了相应的适应度函数和遗传算子,可用来得到器件的可行设计空间及研究参数对器件性能的影响.对FIBMOS器件的综合设计研究结果显示了本方法的有效性.     

遗传算法的群体分组并行研究

遗传算法是解决最优化问题的一种有效方法,并行化处理是其重要发展方向,文中基于群体分组并行性提出一种引入精英保留机制和迁移操作的分布式并行遗传算法,弥补了基本遗传算法"过早收敛"和求解精度不高等不足,实验结果表明,该算法较之串行方式能获得更高的求解质量和更快的寻优速度.     

微波半导体器件及电路的应用概况

本文比较详细地介绍微波半导体技术的主要特点、器件和电路的特性、应用领域和实例。     

基于并行遗传算法的弹性TSP研究

文章针对并行遗传算法求解TSP问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化.通过对算法的分析和实验,尤其是在典型的CHN144 TSP求解上发现了新的最优解这一结果表明,本文算法的改进是有效的.     

半导体器件与工艺综合

利用器件与工艺综合的思想,开发出自顶向下的新的器件和工艺设计方法,实现了该设计方法的MOSPAD软件,并利用MOSPAD系统做出了一定的综合结果. 做出了关于器件与工艺综合的两个实例,即对FIB器件的器件综合和对阱形成工艺模块进行的工艺综合,并证明了自顶向下的器件与工艺综合思想的可行性.     

基于混合并行遗传算法的网格资源分配策略

网格是利用互联网或专用网络将地理上广泛分布的、异构的、动态的资源互联起来实现资源高度共享与集成，为用户提供高性能的计算、管理和服务等功能的一项新技术。但如何将网格这个复杂环境中的资源有效进行管理和调度，是一个NP难问题，同时也是网格技术发展的关键。启发式算法被证明是解决这类问题的有效算法，将两个启发式算法结合起来，充分发挥各自的优势，就能有效解决网格资源分配的问题。因此，利用混合并行遗传算法来解决网格资源分配是可行的。     

基于并行混沌遗传混合算法的多用户检测

基于传统遗传算法的多用户检测器易陷入局部最优解且收敛较慢,影响实时性。本文利用混沌优化算法的优势来弥补遗传算法的这一缺陷,使两种算法优势互补,同时采用具有“迁移策略”的并行搜索机制,提出了一种新的次优多用户检测方法———并行混沌遗传混合算法(PCGA),并在同步CDMA系统中对其性能进行了研究。仿真结果表明,我们提出的这种算法能有效克服传统遗传算法易陷入局部极小的问题,计算量小,收敛速度快,在抗干扰与克服“远-近”效应方面均有明显的优势。     

多宇宙并行量子遗传算法

提出了一种多宇宙并行量子遗传算法,并从理论上证明了算法的全局收敛性.算法中将所有的个体按照一定的拓扑结构分成一个个独立的子群体,称为宇宙;采用多状态基因量子比特编码方式来表达宇宙中的个体;采用通用的量子旋转门策略和动态调整旋转角机制对个体进行演化;采用量子非门实现量子变异以阻止早熟收敛;各宇宙独立演化,宇宙之间采用最佳移民和量子交叉操作来交换信息,提高算法的执行效率.将该算法与独立分量分析算法相结合,提出一种盲源分离新方法.仿真结果表明:新方法比采用常规遗传算法和量子遗传算法的盲源分离方法具有明显的高效性.