基于SPEA-II算法的SoC测试多目标优化研究

测试功耗、测试时间是SoC测试优化中的两个测试目标,它们之间存在相互影响的关系。在多目标优化过程中,进化算法对于解决多目标优化问题拥有比较好的优化效果,因此各种进化算法被广泛地应用于SoC测试多目标优化的研究中。对SoC测试时间、测试功耗这两个测试目标建立联合优化模型,分析了NSGA II算法与SPEA II算法的特点,并对改进型强度Pareto进化算法(SPEA Ⅱ)进行研究,进而将SPEA II算法用于上述所建立模型的求解。使用ITC’02标准电路中p93791电路和d695电路对上述方法进行实验验证, 实验数据表明上述方法可以求得该联合优化模型的一组最优解;并且针对p93791电路,在与NSGA II算法的实验数据比较中,得到了更好的优化结果。证明了SPEA II算法对SoC测试结构优化方面具有良好的适用性和可行性。     

基于云进化算法的NoC资源节点优化测试研究

针对NoC（Network on Chip）中资源节点测试难题,提出了一种结合云进化算法来优化并行测试的方法。该方法结合NoC Mesh结构特点,采用NoC重用的测试访问机制和XY路由方式,在系统功耗限制条件下,运用云进化算法对不同节点进行组合优化,快速收敛到最佳测试节点序列,达到缩短测试时间的目的。针对大规模的NoC采用划分测试方法,以进一步缩短测试时间。不同规模NoC试验的结果表明,与进化算法相比,云进化算法在测试时间上分别有14.3%及19.6%的优化率,可有效提高测试效率。     

功耗约束下的3D多核芯片芯核级测试调度算法

三维堆叠集成电路测试中的一个关键的挑战是在功耗约束下,在绑定前测试和绑定后测试中,协同优化测试应用时间和测试硬件开销。将传统的二维芯片的绑定前和绑定后测试调度方法运用于三维堆叠集成电路的测试调度会导致测试应用时间的延长。我们分别针对未堆叠的集成电路和N(N≥2)层芯片堆叠的3D-SICs,提出了一种功耗约束下的测试调度优化算法。在ITC’02基准电路的实验结果表明,算法在功耗约束下,测试应用时间和测试数据寄存器个数分别减少多达33.8%和28.6%,证明算法能有效地权衡测试应用时间和硬件开销。     

三维堆叠SoC测试规划研究

采用硬晶片的三维堆叠SoC测试规划是一个NP hard问题,针对该问题提出了一种采用GWO(grey wolf optimization)的三维堆叠SoC测试规划方法,使得在最大测试引脚数和最大可使用TSV(through silicon vias)数的约束条件下,从而达到三维堆叠SoC测试时间最小化目的。本算法基于群体智能,通过实施攻击等操作,更新Alpha、Beta和Delta进行寻优,从而实现三维堆叠SoC测试规划。本研究以ITC'02 Test benchmarks中的典型SoC为实验堆叠对象,实验结果表明本算法相比PSO(particle swarm optimization),能够获得更短的测试时间。     

多目标优化的多存储器内建自测试

片上系统中含有大量的存储器,常使用共享内建自测试电路的方法测试。内建自测试电路的插入过程受到片上系统的面积开销、测试功耗与测试时间的约束。针对这个问题,将多存储器内建自测试建模为多目标优化问题,并提出一种多目标聚类遗传退火算法。该算法在遗传算法的基础上,通过存储器聚类获得存储器兼容组,采用启发式方法获得高质量初始解,提出一种多约束条件下不同权重的目标函数,对较优个体采用模拟退火算法规避局部最优解风险。实验结果表明,该算法比遗传算法性能更优,获得存储器组解进行测试,比现有方法测试功耗降低11.3%,或测试时间降低48.7%,节省了片上测试资源与测试时间。     

利用强度Pareto进化算法的多目标无功优化

为更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,首次将强度Pareto进化算法(SPEA2)应用于多目标无功优化,为真正意义上的多目标无功优化提供了依据。SPEA2是一种新型的多目标进化算法,参数设置少,收敛速度快,寻优能力强,求得的Pareto最优解分布均匀。IEEE30节点测试系统的算例结果表明所提出的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。     

基于MDPA算法的火电厂多目标负荷优化分配模型

在传统的火电厂经济负荷分配模型基础上,综合考虑全厂供电煤耗率、污染物排放量以及全厂负荷升、降时间3个目标,构建了厂级负荷优化分配的多目标模型。将差分粒子群混合算法发展为一种新型的多目标进化(MDPA)算法,即利用擂台赛法和凝聚层次聚类分析方法分别构造和修剪非支配集,同时加入精英保留策略,保留进化过程中的极值点。将该算法应用于以经济、环保、快速3个目标为多目标的厂级负荷优化分配,并与基于非支配排序的多目标优化(NSGA-Ⅱ)算法进行对比。结果表明,MDPA 算法较 NSGA-Ⅱ算法收敛速度更快,解集分布更均匀。     

基于正弦余弦算法的NoC测试规划研究

如何实现多约束条件下测试时间优化是目前片上网络(NoC)测试中亟待解决的问题。提出一种基于正弦余弦算法(SCA)的NoC测试规划优化方法。采用专用TAM的并行测试方法,在满足功耗、引脚约束的条件下,建立测试规划模型,对NoC进行测试。通过群体围绕最优解进行正弦、余弦的波动,以及多个随机算子和自适应变量进行寻优,达到最小化测试时间的目的。在ITC’02 test benchmarks测试集上进行对比实验,结果表明相比粒子群优化(PSO)算法,提出的算法能够获得更短的测试时间。     

优化SOC测试时间的扫描链平衡及NSGA-Ⅱ设计

片上系统SOC测试时间很大程度上取决于Wrapper和测试访问机制TAM(test access mechanism)的设计。为了优化SOC测试时间,主要对Wrapper和TAM进行设计,降低单个核的测试应用时间靠优化的Wrapper,在差值二次分配平衡扫描链的基础上,对TAM进行划分,以测试时间和TAM宽度为目标进行优化,运用非支配排序目标遗传算法(NSGA-II)对模型进行求解,并采用ITC02标准电路中的d695电路为实例进行验证,结果表明该方法与基于SA、ILP算法相比,能够在降低SOC测试时间上获得较为理想的效果,并且降低相应的测试功耗,证明本实验方法切实可行。     

改进差分进化算法优化多值属性系统诊断策略

测试序列优化问题是故障诊断过程中的关键性问题;针对多值属性系统的测试序列优化问题,采用自适应差分进化算法,结合多值属性系统的特点,分析变异算子在算法中的作用,并设计了个体的编码策略以及两种不同的诊断方式,提出一种将高斯,柯西变异算子与多差分策略进行融合的差分进化算法;通过实验对比分析,结果表明该算法不仅可以很好的应用于多值属性系统,而且在处理二值属性系统的测试序列优化问题时,与已有算法相比,该算法得到的测试点数目更少,期望测试代价更低,可用于多值属性系统求解诊断策略问题。     

层次型IP核测试环单元的设计

为了减少层次型SoC测试时间,实现父核与子核的并行测试,本文设计了一种的测试环单元结构。该测试环单元通过在内部增加一个一位的寄存器,用来满足父核测试对子核的要求,解决层次型SoC中父核与子核并行测试的冲突。利用VerilogHDL进行设计,在QuartusⅡ下通过仿真验证。结果表明此结构安全性得到可靠地保障。     

深亚微米工艺下SoC多点温度低功耗测试调度方法

在深亚微米技术实现的片上系统中,为了解决由于制程变异引起的温度不确定性,提出了一种多点温度测量的SoC低功耗测试调度方法。该方法采取在芯片中内建多个温度传感器,通过内建的温度传感器来感应温度,在 SoC的核心部位进行多点采集,取温度的最高值反馈到控制系统,进行温度的调节控制。在测试过程中,在温度、功耗和总线带宽都满足条件的情况下进行调度,避免出现由制程变异引起的芯片局部过热的现象。在 ITC’02基准电路上的实验结果表明,与文献[2]比较,该方法在保证芯片热安全的同时,使 CPU 使用时间平均多减少10.33%,使测试应用时间平均多减少11.14%。     

基于RQGA和非支配排序的多目标混沌量子遗传算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,借鉴实数编码遗传算法和多目标优化理论,构建一种多目标混沌量子遗传算法.在分析量子位概率的混沌特性、量子态干涉特性和量子位实数编码的基础上,采用量子位概率交叉和混沌变异的方式进化种群,以提高寻优能力和收敛速度,利用非支配排序、精英保留和分层聚类等多目标优化策略保持种群多样性的同时,保证进化向Pareto全局最优解集方向进行.通过混合算法性能对比测试验证了多算法集成的有效性,并分析关键参数对算法性能的影响.电力系统多目标无功优化的仿真结果验证了该算法的有效性和可行性.     

基于文化算法的电力系统无功优化研究

通过对人类社会文化知识演变过程的研究,将一种新的智能优化算法--文化算法(Cultural Algorithms, CA)应用到电力系统无功优化中.该算法是一个多进化过程的演化算法,它通过模拟微观(群体)与宏观(信仰知识)层面的相互进化,最终形成"双演化双促进"的机制.简要介绍了其生物演变过程,详细描述了算法的机理,并结合进化规划的算法步骤,以网损最小为目标,建立了电力系统无功优化数学模型.通过对IEEE30标准系统节点进行测试,与改进遗传算法(SGA)和改进粒子群算法(CPSO)比较,得到了比较理想的结果,从而表明文化算法是一个值得进一步深入研究的方向.     

基于扫描链平衡的3D SoC测试优化方法

三维芯片由于其高性能和低功耗越来越受到人们的欢迎。SoC技术是把一个完整的系统集成到单个(或少数几个)芯片上,从而实现整个系统功能复杂的集成电路。以细粒度划分的3D SoC实现了真正意义上的3D芯核。它降低了单个芯核内的局部和全局互连线的长度,在功耗和性能方面会有很大的改进。但是随着划分层数的不同,测试开销也会发生变化。本文通过扫描链平衡提出考虑测试时间和测试存储的测试开销函数,以便找到最优的划分层数。在ITC’02基准SoC集上的实验结果表明,通过扫描链平衡技术后得到的测试开销比普通测试开销最高降低了19.9%。     

采用多目标改进差分进化算法的环境经济发电调度

针对差分进化算法在迭代过程中可能出现的早熟收敛问题,在算法中加入早熟判定系数和混沌优化,提出了改进差分进化算法;将改进差分进化算法扩展到多目标规划领域,形成了多目标改进差分进化算法,并应用于多目标环境经济发电调度.根据模糊集方法从帕累托前沿中选择最优折衷解.以6机系统为例进行仿真计算,结果验证了本文所提多目标改进差分进化算法在解决环境经济发电调度中的可行性和有效性.     

智能终端功耗自动化测试系统的研究与设计

功耗是指设备运行所需的电源功率,对于手机等终端,功耗决定了其续航时间的长短,是开发设计阶段非常重要的一项测试内容.随着智能操作系统的普及,手机功耗的自动化测试成为可能.研究了智能手机功耗测试的现状,设计了一套适用于Android的测试系统,用于实现智能手机功耗的连续自动化测试.实测结果表明,该系统测试结果准确,自动化程度高,效率提升明显,可以显著降低研发测试成本.     

基于强度Pareto进化算法的最优潮流

为更好地解决电力系统最优潮流问题,分析了当前多目标优化算法存在的缺陷,将强度Pareto进化算法(SPEA)应用于最优潮流中.SPEA是一种新型的多目标进化算法,具有收敛速度快,参数设置少,全局搜索能力强,所求的Pareto最优解分布均匀等优点.通过对IEEE30节点测试系统运用SPEA和混沌粒子群方法(CpSO)的计...     

自适应选择进化算法的多目标无功优化方法

基于帕累托最优概念的多目标进化算法在电力系统无功优化领域已有广泛应用,但目前通过某种单一算法求解的方式由于进化算子的唯一性,难以保证进化过程不同寻优阶段的普适性和鲁棒性,因此提出一种基于多种进化算法自适应选择的多目标无功优化方法。通过分析已有多目标进化算法的特征,考虑协调性与互补性,建立包含4类算法的备选池;在进化过程不同阶段根据寻优性能自适应地确定备选算法的使用比例,从而综合多种算法的性能优势,提高整体寻优效率。以IEEE 30节点标准系统的多目标无功优化为算例,从帕累托前沿、外部解及C指标等方面与已有单一算法的优化结果进行比较,表明所提新方法在整个进化过程中都显示出了更优的收敛特性。     

多目标进化算法及其在控制系统设计中的应用研究

本文首先介绍了多目标优化问题的进化算法。控制器的设计大多是多目标优化问题,而用多目标进化算法来进行设计可以得到一组优化的Pareto解集,非常适用于控制系统的设计。通过分析控制器性能的要求,介绍了进化算法的设计步骤。实例说明了多目标进化算法控制器设计的优越性。