为了简化亚100nm SOI MOSFET BSIMSOI4的模型参数提取过程,实现全局优化,使用了遗传算法技术,并提出了保留多个最优的自适应遗传算法.该算法通过保留最优个体的多个拷贝,对适应度高和适应度低的个体分别进行诱导变异和动态变异,在进化起始阶段和终止阶段分别执行随机交叉和诱导交叉,既具有全局优化特性,又加速了局部搜索过程,提高了最终解的质量.不同种群数和进化代数条件下的参数提取实例表明,该算法提取精度高、速度快,全局优化稳定性好;适当增加种群数,有利于加速算法的全局收敛过程.
随着集成电路工艺进入纳米工艺时代,VLSI规模在增大的同时,还伴随着显著的工艺参数变化,使得电源线/地线网络(P/G网)分析从确定式分析算法转变为统计式分析算法,迫切需要能够降低算法复杂度的局部分析算法.为了计算设计者感兴趣的P/G网少数IR电压降比较大的问题节点电压变化,必须分别计算出这些点的相关电阻向量,本文提出了一种单点SOR (Successive Over Relaxation:连续过松弛-超级松弛)的统计分析方法(SN-SOR).与传统的全局SOR方法相比,SN-SOR方法有如下三个优点:(1)局部松弛.由于计算一个问题节点q的相关电阻向量,必须仅在q点加一个激励,所以SN-SOR方法不是采用全局电路节点的顺序松弛方法,而是采用从q点不断向周围节点进行松弛的波状松弛方法,当某些节点的IR电压降小于一个极小的设定值时(即相关电阻足够小),这些节点就不再向外进行松弛计算,因此SN-SOR方法具有局部松弛的特性.(2)高效.与传统的全局SOR方法相比,SN-SOR方法不仅松弛点非常少,而且松弛次数也有所减少.(3)低空间复杂度.当计算出q点相关电阻向量后,SN-SOR方法不是将所有相关电阻都存起来,而是只将强相关电阻存起来,对于大多数的弱相关电阻,仅将少数代表节点上的弱相关电阻存起来,所以本文方法的空间复杂度比较低.大量的实验数据表明,与全局SOR求解方法相比,SN-SOR方法在保持较高精度(误差小于0.38%)的前提下,速度可以提高20倍.
Ad hoc网络的动态拓扑结构和节点自组织给分布式算法的实现带来了诸多困难.Ad hoc网络分布式领导者选举算法:ADL.该算法基于广播机制,采用逻辑时戳保证消息的时序性,避免了节点饿死.同时,它通过缩小算法执行范围降低了消息复杂度,而且不需要节点了解系统中所有节点的信息,因而能够适应Ad hoc网络的动态拓扑结构和节点频繁出入.分析与仿真结果表明该算法具有较低的消息复杂度、小响应延迟和公平性.