遗传布局算法

VLSI门阵列模式布局是一类NP完全问题,传统的分析、研究方法和求解策略不能提供优化布局.文中将遗传算法应用于门阵列模式布局,提出了遗传布局算法,设计了相应的选择函数、交叉算子和变异算子,使布局的构形更趋合理.模拟结果表明,应用遗传布局算法能在较短的时间内提供优化解,为解决大规模、复杂的布局问题提供了广阔的前景.     

基于遗传模拟退火算法的门阵列布局方法

为实现门阵列模式布局,将遗传算法与模拟退火算法相结合,提出一种新的遗传模拟退火算法,利用遗传算法进行全局搜索,利用模拟退火法进行局部搜索,在进化过程中采用精英保留策略,对进化结果进行有选择的模拟退火操作,既加强了局部搜索能力又防止陷入局部最优。实验结果表明,与传统遗传算法相比,该算法能够有效提高全局搜索能力。     

基于改进型遗传算法的门阵列模式布局

门阵列模式布局是一类 NP完全问题 .本文将一种改进型遗传算法用于门阵列模式布局 ,提出了相应的数学模型 ,并在布局目标函数中引入了通道拥挤度的概念 ,使布局的构形更趋合理 .实验表明 ,应用所提出的模型及算法能在较短的时间内提供优化解 ,避免了一般优化算法的局部最优问题和维数灾难问题 ,为门阵列模式布局开创了一条新的路径     

遗传布局中的交叉算子

针对遗传算法解决门阵列模式的布局问题时,传统的遗传交叉算子操作后出现了不可行的布局方案,因而寻找了3个新的交叉算子来避免产生这种冲突,通过实例对这3个算子的优越性进行了比较。     

基于遗传算法的布局问题求解

布局问题是VLSI布图设计中的重要问题,传统的方法很难得到满意的解答。针对该问题,文中提出了一个基于遗传算法的求解方法,并将它应用到VLSI门阵列模式布局设计中,构造了一个较完备的综合布局目标函数,引入并定义了通道拥挤度。实验结果表明,所提出的方法能在较短的时间内提供优化解,为VLSI布局设计提供了一种新的思路。     

基于遗传算法的布局问题求解

布局问题是VLSI布图设计中的重要问题，传统的方法很难得到满意的解答。针对该问题，文中提出了一个基于遗传算法的求解方法，并将它应用到VLSI门阵列模式布局设计中，构造了一个较完备的综合布局目标函数，引入并定义了通道拥挤度。实验结果表明，所提出的方法能在较短的时间内提供优化解，为VLSI布局设计提供了一种新的思路。     

门阵列布局与全局布线合并算法

本文提出了一种门阵列的布局与全局布线的合并算法(简称合并算法)。合并算法将布局和全局布线两过程合为一体,在布局的过程中考虑全局布线,同时利用布线信息指导布局,从而有效地利用了布局和全局布线信息,以较少的代价获得全局优化结果。合并算法成功地克服了传统的布局和全局布线分阶段设计的布图设计模式所固有的缺点。     

布局优化子问题的改进遗传神经网络算法

带性能约束的航天舱布局问题可分解为有限多个子问题,每个子问题克服了关于优化变量的时断时续性。本文针对子问题(关于同构布局等价类),首先构造了用于产生与已知布局方案同构的布局方案的优化算法,然后在给出组合变异策略的基础上,设计了连续空间上基于实数编码的改进遗传神经网络算法。将该算法应用于二维布局优化子问题,数值实验表明该遗传神经网络进行布局逼近是有效的。这种方法是对布局问题求解的有效探索。     

数字微流控生物芯片布局的拟人遗传组合算法

数字微流控生物芯片布局问题是芯片设计的关键问题,它是在二维微流控阵列上为每个操作布局一个合适的物理位置,以达到完成所有操作的微流控阵列总面积最小和总时间最短两个目标。构建了拟人遗传组合算法,应用拟人启发式算法来控制数字微流控模块的布局过程,用遗传算法对布局结果进行多目标优化,以多元体液检测为实例,模拟了数字微流控生物芯片的布局优化过程。实验结果表明该算法不仅达到了优化目标,且优于并行混合模拟退火算法。     

基于遗传算法的建筑布局求解算法

通过分析建筑布局的特点提出了建筑布局的两种表示方式：特征树表示和矩阵表示。提出使用遗传算法来对布局设计过程中的方案进行约束和控制。对原有的遗传算法做了改进,在适应度函数构建方面,增加了对称度和黄金分割度的度量。实验结果表明,该算法非常适合于求解布局问题。     

基于禁忌搜索算法的VLSI布局

将禁忌搜索算法应用于VLSI门阵列的布局问题，建立了以总线长度和通道拥挤度的布局目标函数，用禁忌搜索算法求解目标函数的最小值，通过实验仿真，将本算法和遗传算法进行了比较，结果表明不论在解的质量和收敛速度方面，禁忌搜索算法优于遗传算法。     

基于GA-SA混合算法的VLSI门阵列布局设计

布局是VLSI布图设计中的关键环节，通常采用随机优化算法。该文采用遗传算法(GA)与模拟退火法(SA)相结合的搜索算法实现VLSI门阵列模式布局，利用遗传算法进行全局搜索，模拟退火法进行局部搜索。进化过程中采用精英保留策略，并对进化结果进行有选择的模拟退火操作，这样既加强了局部搜索能力又防止陷入局部最优。在复合布局目标函数中引入对最长线网的惩罚，其收敛速度比以总线长度为单一目标函数的要快。在交叉操作中，对交叉位置的选择采用了一种新的策略，增加了交叉的有效性。实验表明，此算法与简单遗传算法相比，有效地提高了全局搜索能力。     

宏单元阵列布局的两步模拟退火算法

本文提出了一种适用于ＶＬＳＩ布局的算法－两步模拟退火算法，针对宏单元版图模式的特点，算法将通常的模拟退火过程为分两步完成，从而使得算法性能有所改善。     

基于双适应度遗传算法的虚拟机放置的研究

减少数据中心产生的网络时延以及优化数据中心能源消耗和物理资源的浪费等越来越受到研究者的关注。主要关注数据中心的物理资源的浪费和数据中心产生的网络时延,并且建模一个多目标优化问题:最小化数据中心的物理资源以及数据中心的时延。通过改进型双适应度遗传算法将两个目标同时优化,将其结果与贪心算法进行比较,实验结果表明,此算法优于贪心算法,是云环境下有效的虚拟机放置算法。     

基于遗传算法的Vivado HLS硬件加速

为适应当前“大数据+深度模型”时代的到来,利用FPGA进行各种算法的硬件加速为其提供了一种可行的解决方案. 本文利用Vivado HLS工具,基于遗传算法设计了一套智能硬件加速架构,编程实现自动生成tcl文件、自动调用HLS工具完成仿真和提取报表中的数据进行分析,并对Xilinx公司所给的FIR和DCT等案例程序进行了测试. 实验中寻找到了较优的解决方案,效率相比人工不断尝试的方法有了数量级的提升,满足了当前一般算法在硬件加速的通用性.     

基于位矩阵编码实现模拟集成电路模块布局的遗传算法

提出了一种新的实现模拟集成电路模块布局的遗传算法，其位矩阵编码法提高了算法的搜索效率；模块的滑行处理使绝对布局问题转变成相对布局问题，极大地减小了搜索状态空间而不降低精度；复制过程中个体间的相似性检查避免了算法的早熟收敛；目标函数覆盖了模拟集成电路的特殊要求；正交实验的方法用来研究算法参数，其最优取值由另一个衍化遗传算法确定，多种电路的测试结果表明，该算法性能优于传统的模拟退火算法，布局结果与手工布局相仿，设计效率得到显著提高。     

利用遗传算法完成虚拟机放置策略的优化

提出基于遗传算法的虚拟机放置方法GA-VMP(Genetic Algorithm based Virtual Machine Placement)。GA-VMP是一种应用于虚拟机迁移过程的优化算法。在物理主机状态检测和虚拟机选择阶段分别选取了鲁棒局部归约检测方法和最小迁移时间选择方法;在最后的虚拟机放置阶段,GA-VMP将遗传算法应用到虚拟机的重新分配过程中形成了一个全新的虚拟机迁移模型。设计云数据中心的能量消耗数学模型,以能量消耗最小作为遗传算法的目标函数。Cloudsim模拟器仿真结果表明：在总体能量消耗、虚拟机迁移次数、服务等级协议违规率等指标上明显降低,平衡指标参数只有少量的增加。仿真结果可为其他企业构造节能云数据中心提供参考作用。