[发明专利]基于最优适应启发式序列与多目标组织进化的集成电路布图方法

说明书

技术领域

本发明涉及物理设计布图规划的一种方法，具体涉及一种基于最优启发式序列（Best Fit Heuristic Sequence，BFHS）与多目标组织进化（Multi-objective Organizational Evolutionary Algorithms，MOEA）的集成电路布图方法。

背景技术

布图规划（floorplanning）是超大规模集成电路（very large scale integration，VLSI）物理设计的关键环节，其结果对最终芯片的尺寸和全局互连结构有着重要影响。随着技术的日新月异，芯片设计的复杂度飞速增长，对芯片的尺寸和内部互连性能的要求也越来越高，这使得布图规划的作用尤为重要。针对布图规划问题，已有许多学者应用不同的数学工具提出了多种算法，包括最小分割算法、分级设计方法、解析型算法及随机优化算法等。随机优化算法的基本操作是对每次产生的新解进行评估，保留较优的解。由于它能够针对问题的特点和复杂性进行特定操作，设计灵活，可保证解的最优性，因而受到广泛的关注。

随机优化算法的核心是设计布图表示方法，即设计一种表示布局结果的编码。已有的布图表示方法可分为两大类：二分布图表示（slicing）和非二分布图表示（non-slicing）。二分布图表示通过使用垂直或水平的划分线将布图区域递归二划分为若干子区域，每一子区域有且仅有一个模块。代表方法有二叉树表示、规范波兰表达式方法、规范后缀表达式方法等。这是最简单的一类方法、它的解空间较小，因而求解速度较快。但由于大部分的布图问题都不具有二划分结构，使得其适用范围较小。与此相比，非二分布图表示更具有一般性，也更加灵活，可获得更高的面积利用率和更优的互连性能，因此目前的研究均集中在非二分布图表示方法的设计上。代表方法有序列对、有界分割网格、O-tree、B*-tree、角模块序列、传递闭包图、双生二元序列、角序列等。

纵观这些方法都是单向布图方法，在布图过程中，仅仅面对模块序列进行布局，很少利用已布模块的反馈信息对将要放置的模块进行有效的启发式指导，这使得布图效率不高，计算时间随布图规模成指数增长。它们对软矩形模块的处理也很粗糙，只是任意选用几个备选模块代替软矩形模块，然后按照硬模块的布图方法进行布局，这样做只是取了软矩形模块形状变化范围内的几个离散点，破坏了软矩形模块形状变化的任意性和连续性，与实际情况不相符。

在布图规划问题中，通常有面积和线长两个目标需要优化，目前大多数文献提出的方法都属于单目标优化方法。它们都是利用优化面积和线长的加权和来优化这两个目标的目的，虽然这样也能取得良好的效果，但在实际情况中，不同问题所需的权值不同。在求解新问题时无法知道应给其赋什么权值才能得到最优结果，此外，单目标方法一次运行只能求解一组解，而用户往往需要对多组解进行对照，再进行决策。这就需要多次运行，计算量较大。

发明内容

本发明的目的在于针对上述现有方法的不足，提出了一种基于最优启发式序列与组织进化的超大规模集成电路布图方法，本方法能够解决技术背景中存在的不足，从而得到最优解和最优面积利用率的布局结果。

本发明的技术方案是这样实现的：

一种基于最优适应启发式序列与多目标组织进化的集成电路布图方法，其特征是：具体步骤如下：

步骤101：开始基于最优适应启发式序列与多目标组织进化的集成电路布图方法；

步骤102：参数设定：最大进化代数T，种群规模num，外部Pareto集规模N_p，一个合法组织所允许的最大规模num_max，最优适应度Best，t为大于或等于0的整数，表示进化到第t代；

步骤103：初始化每个个体，更新最优值Best，令t=0，采用随机生成的方法产生模块的放置顺序，模块的长宽比序列，芯片的初始化宽度；

步骤104：循环调用基于最优适应启发式序列的算法对每个模块个体进行编码和解码；

步骤105：使每个个体成为一个组织，将分裂算子作用在组织上，分裂算子根据条件: