公开(公告)号：CN111539181A

公开(公告)日：2020-08-14

申请号：CN202010349605.7

申请日：2020-04-28

Applicant: 福州大学

Inventor： 刘耿耿 ,  杨礼亮 ,  郭文忠 ,  陈国龙

IPC: G06F30/3947 ,  G06N3/12

Abstract: 本发明涉及一种基于离散差分进化的多策略优化X结构最小树构建方法，包括以下步骤：步骤S1:读取待测试电路引脚信息;步骤S2:对种群进行初始化，并计算初始种群个体适应值，初始化自适应参数；步骤S3:判断算法迭代次数是否达到阈值;步骤S4:若未达到阈值，则从策略池随机选择一种变异策略，经过变异、交叉后得到儿子个体；若达到阈值，则根据传统的差分进化算法对种群进行变异、交叉操作；步骤S5:采用免疫克隆选择策略；步骤S6:判断迭代是否满足终止条件，如果满足，则迭代终止输出最终种群，否则返回步骤S3继续下一次迭代更新;步骤S7:采用精炼策略，得到布线树最优方案。本发明能够得到更大的搜索空间，更小的线长，优化布线树拓扑结构，减少冗余。

公开(公告)号：CN111539181B

公开(公告)日：2022-05-13

申请号：CN202010349605.7

申请日：2020-04-28

Applicant: 福州大学

Inventor： 刘耿耿 ,  杨礼亮 ,  郭文忠 ,  陈国龙

IPC: G06F30/3947 ,  G06N3/12

Abstract: 本发明涉及一种基于离散差分进化的多策略优化X结构最小树构建方法，包括以下步骤：步骤S1:读取待测试电路引脚信息;步骤S2:对种群进行初始化，并计算初始种群个体适应值，初始化自适应参数；步骤S3:判断算法迭代次数是否达到阈值;步骤S4:若未达到阈值，则从策略池随机选择一种变异策略，经过变异、交叉后得到儿子个体；若达到阈值，则根据传统的差分进化算法对种群进行变异、交叉操作；步骤S5:采用免疫克隆选择策略；步骤S6:判断迭代是否满足终止条件，如果满足，则迭代终止输出最终种群，否则返回步骤S3继续下一次迭代更新;步骤S7:采用精炼策略，得到布线树最优方案。本发明能够得到更大的搜索空间，更小的线长，优化布线树拓扑结构，减少冗余。

公开(公告)号：CN113312874A

公开(公告)日：2021-08-27

申请号：CN202110624691.2

申请日：2021-06-04

Applicant: 福州大学

Inventor： 刘耿耿 ,  杨礼亮 ,  郭文忠 ,  陈国龙

IPC: G06F30/394 ,  G06N20/00

Abstract: 本发明涉及一种基于改进深度强化学习的总体布线方法，包括以下步骤:步骤S1:通过Prim算法将多端线网分解为两引脚问题；步骤S2:对所有两引脚进行状态编码，并通过A*算法构造初始布线结果,存入经验回放区进行预处理;步骤S3:完成预处理后传入DDQN模拟环境,采用并发训练，在预设的训练周期中生成布线结果。本发明提出了基于深度强化学习的总体布线器，将布线问题划分为多个端到端的路径规划子问题,智能体在有限的状态下执行离散动作进行随机决策和收益获取，有效提高布线效率。

公开(公告)号：CN115577671A

公开(公告)日：2023-01-06

申请号：CN202210867726.X

申请日：2022-07-22

Applicant: 福州大学

Inventor： 刘耿耿 ,  游杰 ,  杨礼亮 ,  郭文忠

IPC: G06F30/394 ,  G06F30/398 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于深度强化学习的X结构绕障Steiner最小树方法，包括以下三个阶段：预处理阶段，基于最小生成树算法来简化多引脚线网问题，构建MST；布线主阶段，利用MST来建立DRL中智能体训练的环境，最后利用训练好的智能体来完成布线，得到XSMT，然后根据绕障策略来完成绕障得到OAXSMT；后处理阶段，利用DFS算法对OAXSMT进行拆环得到布线结果，并计算布线结果的线长。本发明能快速有效的获取最优布线结果，提高超大规模集成电路物理设计效率。

公开(公告)号：CN113312874B

公开(公告)日：2022-12-06

申请号：CN202110624691.2

申请日：2021-06-04

Applicant: 福州大学

Inventor： 刘耿耿 ,  杨礼亮 ,  郭文忠 ,  陈国龙

IPC: G06F30/394 ,  G06N20/00

Abstract: 本发明涉及一种基于改进深度强化学习的总体布线方法，包括以下步骤:步骤S1:通过Prim算法将多端线网分解为两引脚问题；步骤S2:对所有两引脚进行状态编码，并通过A*算法构造初始布线结果,存入经验回放区进行预处理;步骤S3:完成预处理后传入DDQN模拟环境,采用并发训练，在预设的训练周期中生成布线结果。本发明提出了基于深度强化学习的总体布线器，将布线问题划分为多个端到端的路径规划子问题,智能体在有限的状态下执行离散动作进行随机决策和收益获取，有效提高布线效率。