CN111859627A - 一种元器件模型的参数优化方法及装置 - Google Patents
一种元器件模型的参数优化方法及装置 Download PDFInfo
- Publication number
- CN111859627A CN111859627A CN202010606567.9A CN202010606567A CN111859627A CN 111859627 A CN111859627 A CN 111859627A CN 202010606567 A CN202010606567 A CN 202010606567A CN 111859627 A CN111859627 A CN 111859627A
- Authority
- CN
- China
- Prior art keywords
- time
- simulation
- initial population
- fitness
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 100
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 description 7
- 230000035772 mutation Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 235000013599 spices Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种元器件模型的参数优化方法，其包括：获取元器件在实际测试环境下的实测数据；从所述元器件模型中提取参数作为基因，并建立初始种群，所述初始种群中的个体具有随机分配的基因值；基于所述初始种群并利用遗传算法确定目标个体，得到目标个体的基因值作为所述元器件模型优化后的参数；其中，所述初始种群中个体的适应度，基于所述实测数据和在仿真测试环境下得到的仿真数据确定，所述仿真测试环境与所述实际测试环境一致。本发明还提供了一种元器件模型的参数优化装置，本发明的方案可以有效解决现有技术难以优化元器件模型参数的问题，提高仿真结果的准确性。
Description
技术领域
本发明涉及仿真领域，更具体地涉及一种元器件模型的参数优化方法及装置。
背景技术
电磁兼容性(Electro Magnetic Compatibility，EMC)仿真是基于软件分析的一种正向电磁兼容设计方法，可以让工程师仿真电路和元器件的辐射发射，并确定这些发射是否符合常见的EMC标准，规避无谓设计从而达到节省时间与成本等目的。复杂元器件作为EMC仿真中的主要干扰源往往伴有建模复杂、影响范围大等特点。
当今元器件模型建模方式以数学建模为基础，辅以spice语言的方式进行建模，模型参数来源主要从官方文档所给的器件参数得来。然而官方为了保密等目的，公布的参数往往与实际测量参数有着微小偏差，故建模出来的元器件模型往往不尽人意。
因此，如何对元器件模型的参数进行优化，对于仿真测试的准确性具有十分重要的意义。
发明内容
本发明旨在解决上述现有技术中的相关问题。本发明一方面提供了一种元器件模型的参数优化方法，另一方面提供了一种元器件模型的参数优化装置。通过本发明提供的方案，可以有效地解决现有技术难以优化元器件模型参数的问题，提高仿真结果的准确性。
本发明第一方面提供一种元器件模型的参数优化方法，包括：获取元器件在实际测试环境下的实测数据；
从所述元器件模型中提取参数作为基因，并建立初始种群，所述初始种群中的个体具有随机分配的基因值；
基于所述初始种群并利用遗传算法确定目标个体，所述目标个体的基因值即所述元器件模型优化后的参数；
其中，所述初始种群中个体的适应度，基于所述实测数据和在仿真测试环境下得到的仿真数据确定，所述仿真测试环境与所述实际测试环境一致。
根据本发明的一个实施方式，所述实测数据和所述仿真数据均包括时间以及与时间对应的特性参数；所述特性参数包括电压值和/或电流值。
根据本发明的一个实施方式，单个个体的适应度基于多个时间下的适应度而定，单个时间下的适应度满足：Q(d)＝K1·A1+K2·A2；
其中，d表示时间，A1根据时间d的仿真特性参数的斜率与实测特性参数的斜率的比值而定，A2根据时间d的仿真特性参数与实测特性参数的比值而定，K1和K2为权重系数。
根据本发明的一个实施方式，
k1＞10k2；
其中，K(d)表示时间d的实测电压斜率而k(dN)表示时间d的仿真电压斜率，或，K(d)表示时间d的实测电流斜率而k(dN)表示时间d的仿真电流斜率；
其中，A(d)表示时间d的实测电压幅值而A(dN)表示时间d的仿真电压幅值，或，A(d)表示时间d的实测电流幅值而A(dN)表示时间d的仿真电流幅值。
根据本发明的一个实施方式，所述基于所述初始种群并利用遗传算法确定目标个体，包括：
循环执行以下步骤：在所述仿真测试环境下对所述初始种群中的个体进行仿真测试得到各个体的仿真数据，基于所述实测数据和个体的仿真数据，确定个体的适应度，根据个体的适应度从所述初始种群中选取亲本，基于所述亲本和遗传算子生成新的个体以更新所述初始种群；
在所述循环中，如果满足结束条件，则从所述初始种群中选取适应度最高的个体作为所述目标个体。
本发明第二方面提供一种元器件模型的参数优化装置，包括：
实测数据获取模块：用于获取元器件在实际测试环境下的实测数据；
初始化模块：用于从所述元器件模型中提取参数作为基因，并建立初始种群，所述初始种群中的个体具有随机分配的基因值；
优化模块：用于基于所述初始种群并利用遗传算法确定目标个体，所述目标个体的基因值即所述元器件模型优化后的参数；
其中，所述初始种群中个体的适应度，基于所述实测数据和在仿真测试环境下得到的仿真数据确定，所述仿真测试环境与所述实际测试环境一致。
根据本发明的一个实施方式，所述实测数据和所述仿真数据均包括时间以及与时间对应的特性参数；所述特性参数包括电压值和/或电流值。
根据本发明的一个实施方式，个体的适应度基于多个时间下的适应度而定，单个时间下的适应度满足：Q(d)＝K1·A1+K2·A2；
其中，d表示时间，A1根据时间d的仿真特性参数的斜率与实测特性参数的斜率的比值而定，A2根据时间d的仿真特性参数与实测特性参数的比值而定，K1和K2为权重系数。
根据本发明的一个实施方式，
k1＞10k2；
其中，K(d)表示时间d的实测电压斜率而k(dN)表示时间d的仿真电压斜率，或，K(d)表示时间d的实测电流斜率而k(dN)表示时间d的仿真电流斜率；
其中，A(d)表示时间d的实测电压幅值而A(dN)表示时间d的仿真电压幅值，或，A(d)表示时间d的实测电流幅值而A(dN)表示时间d的仿真电流幅值。
根据本发明的一个实施方式，所述优化模块包括：
仿真测试子模块，用于在所述仿真测试环境下对所述初始种群中的个体进行仿真测试得到个体的仿真数据；
适应度确定子模块，用于基于所述实测数据和个体的仿真数据，确定个体的适应度；
亲本选取子模块，用于根据个体的适应度从所述初始种群中选取亲本；
种群更新子模块，用于基于所述亲本和遗传算子生成新的族群以更新所述初始种群；
判断子模块，用于在满足结束条件时，从所述初始种群中选取适应度最高的个体作为所述目标个体。
本发明第三方面提供一种电子设备，用于优化元器件模型的参数，包括：存储器，用于存储计算机指令；处理器，用于从所述存储器中读取并执行计算机指令，从而实现本发明第一方面或其实施方式提供的参数优化方法。
本发明第四方面提供一种器件仿真装置，包括：
元器件模型和/或支持生成所述元器件模型的建模模块；
本发明第二方面或其实施方式提供的参数优化装置；
仿真模块，用于基于优化后的元器件模型进行仿真。
采用本发明的实施方案，具有的发明效果包括：提高仿真模型的准确度，使之与器件的实际电气特性更为符合；提高设计员的工作效率，减少重复劳动，加快器件拟合的建模周期。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图进行简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明的一个示例性实施例的元器件模型的参数优化方法的流程示意图。
图2是根据本发明的一个示例性实施例的元器件模型的参数优化方法的流程示意图。
图3是根据本发明的一个示例性实施例的采用遗传算法优化元器件模型的参数的流程示意图；
图4是根据本发明的一个示例性实施例的元器件模型的参数优化装置的示意图；
图5是根据本发明一个示例性实施例的电子设备的示意图；
图6是根据本发明一个示例性实施例的元器件仿真装置的示意图。
具体实施方式
如在本文中所使用的，词语“第一”、“第二”等可以用于描述本发明的示例性实施例中的元件。这些词语只用于区分一个元件与另一元件，并且对应元件的固有特征或顺序等不受该词语的限制。除非另有定义，本文中使用的所有术语(包括技术或科学术语)具有与本发明所属技术领域的普通技术人员通常理解的含意相同的含意。如在常用词典中定义的那些术语被解释为具有与相关技术领域中的上下文含意相同的含意，而不被解释为具有理想或过于正式的含意，除非在本发明中被明确定义为具有这样的含意。
本领域的技术人员将理解的是，本文中描述的且在附图中说明的本发明的装置和方法是非限制性的示例性实施例，并且本发明的范围仅由权利要求书限定。结合一个示例性实施例所说明或描述的特征可与其他实施例的特征组合。这种修改和变化包括在本发明的范围内。
下文中，将参考附图详细描述本发明的示例性实施例。在附图中，省略相关已知功能或配置的详细描述，以避免不必要地遮蔽本发明的技术要点。另外，通篇描述中，相同的附图标记始终指代相同的电路、模块或单元，并且为了简洁，省略对相同电路、模块或单元的重复描述。
此外，应当理解一个或多个以下方法或其方面可以通过至少一个控制单元或控制器执行。术语“控制单元”或“控制器”可以指代包括存储器和处理器的硬件设备。存储器配置成存储程序指令，而处理器具体配置成执行程序指令以执行将在以下进一步描述的一个或更多进程。而且，应当理解，正如本领域普通技术人员将意识到的，以下方法可以通过包括控制单元的装置并结合一个或多个其他部件来执行。
图1是根据本发明的一个示例性实施例的元器件模型的参数优化方法的流程示意图。如图1所示，根据本发明的示例性实施例，元器件模型的参数优化方法包括：
100：获取元器件在实际测试环境下的实测数据。
102：从所述元器件模型中提取参数作为基因，并建立初始种群。所述初始种群中的个体具有随机分配的基因值。
104：基于所述初始种群并利用遗传算法确定目标个体，所述目标个体的基因值即所述元器件模型优化后的参数。其中，所述初始种群中个体的适应度，基于所述实测数据和在仿真测试环境下得到的仿真数据确定，所述仿真测试环境与所述实际测试环境一致。
根据发明人的分析，现有的元器件建模存在如下问题：厂商由于技术保密不能提供准确的器件参数，技术员需对这些参数进行优化；在参数优化的过程中，存在参数数量多、参数影响作用不明确等困难，技术员在目前的调整过程中通常伴有逻辑复杂、操作繁琐、时间成本高等问题；优化结果的有效性难以评判。
而采用本实施例提供的参数优化方法，利用实测数据指导元器件的优化方向，从而保证了优化结果的有效性；使用遗传算法对参数进行统一处理，一方面可以通过适度迭代达到参数输出结果的最优解，无需像其他方法那样需要逼近拟合；另一方面通过否定错误个体从而进行优化，不需强行与实测结果完全一致。从而解决了前述问题，能够自动、高效、准确地实现元器件模型的参数优化。
根据本发明实例性的一个实施例，实测数据和所述仿真数据均包括时间以及与时间对应的特性参数。所述特性参数为电压值和/或电流值。以对绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor，IGBT)模型进行参数优化为例，实测数据可以包括：时间d、电压幅值v(d)、电压斜率
根据本发明的一个实施例，单个个体的适应度基于多个时间下的适应度而定，单个时间下的适应度满足：Q(d)＝K1·A1+K2·A2。
其中，d表示时间，A1根据时间d的仿真特性参数的斜率与实测特性参数的斜率的比值而定，A2根据时间d的仿真特性参数与实测特性参数的比值而定，K1和K2为权重系数。
例如，
k1＞10k2。其中，K(d)表示时间d的实测电压斜率而k(dN)表示时间d的仿真电压斜率，或，K(d)表示时间d的实测电流斜率而k(dN)表示时间d的仿真电流斜率。A(d)表示时间d的实测电压幅值而A(dN)表示时间d的仿真电压幅值，或，A(d)表示时间d的实测电流幅值而A(dN)表示时间d的仿真电流幅值。也就是说，本实施例中的适应度计算，可以包含三类可拟合的方式：仅电压、仅电流、电压和电流一起。本文列举的IGBT的例子是仅电压的例子。
以IGBT模型为例，
N表示第N个个体。其中，d表示时间，K(d)表示时间d的实测电压斜率，k(dN)表示时间d的仿真电压斜率，v(d)表示时间d的实测电压幅值，v(dN)表示时间d的仿真电压幅值，K1和K2为权重系数。
其中，单个个体的适应度可以是多个时间下的适应度的和。
根据本发明的一个实施例，处理104可以通过循环执行以下处理实现：a.在所述仿真测试环境下对所述初始种群中的个体进行仿真测试得到各个体的仿真数据；b.基于所述实测数据和个体的仿真数据，确定个体的适应度；c.根据个体的适应度从所述初始种群中选取亲本；d.基于所述亲本和遗传算子生成新的个体以更新所述初始种群。在上述循环中，如果满足结束条件，则从所述初始种群中选取适应度最高的个体作为所述目标个体。例如，在步骤b后，如果初始种群的迭代次数达到设定值，则从最新的初始种群选取适应度最高的个体作为目标个体。或者，在步骤c后，如果初始种群的迭代次数达到设定值，则从亲本中选取适应度最高的个体作为目标个体。
图2是根据本发明的一个示例性实施例的元器件模型的参数优化方法的流程示意图。
200：建立EMC仿真器件模型。对于EMC实验对象中主要的元器件，可以数学公式模型为主、SPICE语言为辅，根据官方文档构建EMC仿真器件模型(即待优化的元器件模型)。
以建立IGBT模型为例，IGBT的静态数学建模使用Schichman-Hodges模型建模，从MOSFET出发，为计算在静态MOSFET流过的电流量，需要在MOSFET的线性放大区和饱和区之间进行区分。将饱和电压的定义为(该建模过程为现有技术，公式符号以常规知识理解即可，此处不予赘述)
从线性区过度到饱和区的时候，漏极电流为
在线性区的时候，漏极电流满足：
当在饱和区的时候满足：
ID＝Isat*(1+KLM*VDS)
流过IGBT的电流IC直接满足：
Ic＝BN*IB
IB满足计算公式：
以上的未知参数再结合厂家给的数据手册直接得到未经优化的初始模型。Spice语言可以协助数学公式导入到仿真软件中进行电路计算。
202：实际测试得到实测数据。
以IGBT模型为例，在实际中搭建好测试电路测试IGBT的集电极与发射极两端的电压特性，将实测数据列为数据表格。表格包含的信息有时间d,电压幅值v(d),电压斜率
实测数据对器件优化产生指导的作用，通过模拟仿真得到的数据与实测数据进行对比来实现作用。
204：在模拟器中搭建测试电路并将仿真器件模型放入其中。例如，提取已经使用spice语言辅助设计好的IGBT模型，将其放入与实际电路一致的模拟测试电路中。
206：利用遗传算法对仿真器件模型进行优化拟合。关于该过程的详细描述，请参照图3所示实施例。
208：得到最优的模型参数。
210：输出优化后的仿真器件模型。根据208输出的模型参数更新得到优化后的仿真器件模型。
可选地，在本发明的一种实施例中，因为206会得到所述目标个体，所以，208和210可以通过以下方式代替：输出所述目标个体作为优化后的仿真器件模型。
图3是根据本发明的一个示例性实施例的采用遗传算法优化元器件模型的参数的流程示意图。如图3所示，所述方法包括：
300：提取仿真器件模型的关键参数。例如，根据构建公式提取关键参数。如图2中建立的IGBT模型，Vsat、Isat、MFET、AFET等都可以提取作为关键参数。更具体而言，以Ansys公司simplorer模块下设计的IGBT模型为例，它的主要参数包括GE端电容系数、CE端电容系数、FET转移常数、FET夹断电压等等数十个关键参数。假设从中提取c(例如，4～10，或者几十，根据实际构建的公式来定)个关键参数作为优化目标，将每个关键参数记录为GA，作为该模型的一个基因，所以一个IGBT模型有c个GA，依次记录为GA(c)。
301：基于实测数据确定实测斜率k(d)、时间d与电压幅值v(d)。作为适应度公式的评价因素。
302：创建M个个体作为初始种群，设t＝0，并设置t的最大值T。其中，t表示当前进化代数，T表示最大进化代数。
例如，基于初始的IGBT模型以随机的方式扩大，创建M个IGBT模型。每个模型内部的GA(c)的值都是完全随机的。
303：M个个体同步进行模拟运算，并根据适应度公式得到每个个体的适应度评价。
具体地，M个IGBT模型将同时在仿真软件中进行并行模拟，设第N个IGBT模型在仿真软件中得出的数据收集为表格，该表格包含的信息有时间d(N),电压幅值v(dN),电压斜率k(dN),其中对于时间d(N)与实际测量时间d相对应，然后进行适应度计算：
K1,K2系数为权重系数，一般K1>10K2.
把适应度计算扩大到整个时间段内的话就是把所有的适应度相加，即：
Q(N)＝Q(0,N)+Q(1,N)+Q(2,N)+……Q(d,N)
当前代计算完了之后便会有M个适应度Q(N)。之后就可以应该进行遗传算法中的优胜劣汰运算。
304：进行优胜劣汰评价与处理。
具体的，可以将M个模型按照Q(N)值从小到大排列，只取M个模型中Q(N)值位于前列的a％的模型作为亲本，其它模型删除。其中，示例而言，a可以是10～40，当然也可以是其它数值。a的数值越大，算法收敛速率越快，算法效率更高，但是可能会陷入结果局部最优解、缺少突变量。具体数值的选取可以根据需要自行设计决定。
305：基于亲本和遗传算子生成新个体。其中，遗传算子包括选择和交叉。
具体的，在亲本个体不可重复选择的前提下，两两配对进行交叉运算。例如，随机选择2个亲本。对2个亲本的内部的GA进行交叉，交叉位置可在[1,c-1]范围内的任意位置。交叉过后这一段的GA会变换成另一个亲本的GA。直至新个体和旧种群保留的个体的数量总和回到M。
306：个体突变。突变也是遗传算子中的一种。
新个体的每个GA都将按照突变几率P发生突变。GA突变后会突变为随机一个数字。
在本发明的其它实施例中，步骤306可以和305合并为一个步骤，或者，步骤306也可以省略。此外，还可以对步骤305得到的M个模型都进行个体突变。
至此第一代迭代已结束，进化代数值t＝t+1，流程回到步骤303并重复执行。
在上述重复执行过程中，在步骤304之后，判断t是否超过T。如果是，则执行307：输出适应度最高的模型的参数数值。例如，输出适应度最高的模型的关键参数(前文提及的c个关键参数)的数值。此时，适应度最高的模拟器件作为最优个体，输出关键系数，然后可以利用关键系数再次建立元器件模型，得到优化后的元器件模型。当然，也可以直接输出所述最优个体作为优化后的元器件模型。优化过后的元器件模型置入EMC仿真工程中，能够充当干扰源体现对外电磁干扰(EMI)噪声的大小，对EMC仿真项目的构建有实际指导意义。
图4是根据本发明的一个示例性实施例的元器件模型的参数优化装置的示意图。如图4所示，所述装置包括：
实测数据获取模块：用于获取元器件在实际测试环境下的实测数据。初始化模块：用于从所述元器件模型中提取参数作为基因，并建立初始种群，所述初始种群中的个体具有随机分配的基因值。优化模块：用于基于所述初始种群并利用遗传算法确定目标个体，所述目标个体的基因值即所述元器件模型优化后的参数。其中，所述初始种群中个体的适应度，基于所述实测数据和在仿真测试环境下得到的仿真数据确定，所述仿真测试环境与所述实际测试环境一致。
根据本发明的一个实施例，所述实测数据和所述仿真数据均包括时间以及与时间对应的元器件特性参数值。个体的适应度基于多个时间下的适应度而定，单个时间下的适应度满足：
Q(d)＝K1·A1+K2·A2；
其中，d表示时间，A1根据时间d的仿真特性参数的斜率与实测特性参数的斜率的比值而定，A2根据时间d的仿真特性参数与实测特性参数的比值而定，K1和K2为权重系数。
例如，
k1＞10k2；
其中，K(d)表示时间d的实测电压斜率而k(dN)表示时间d的仿真电压斜率，或，K(d)表示时间d的实测电流斜率而k(dN)表示时间d的仿真电流斜率。A(d)表示时间d的实测电压幅值而A(dN)表示时间d的仿真电压幅值，或，A(d)表示时间d的实测电流幅值而A(dN)表示时间d的仿真电流幅值。
根据本发明的一个实施例，优化模块可以包括：仿真测试子模块，用于在所述仿真测试环境下对所述初始种群中的个体进行仿真测试得到个体的仿真数据；适应度确定子模块，用于基于所述实测数据和个体的仿真数据，确定个体的适应度；亲本选取子模块，用于根据个体的适应度从所述初始种群中选取亲本；种群更新子模块，用于基于所述亲本和遗传算子生成新的族群以更新所述初始种群；判断子模块，用于在满足结束条件时，从所述初始种群中选取适应度最高的个体作为所述目标个体。
图5是根据本发明一个示例性实施例的电子设备的示意图。如图5所示，该电子设备至少包括处理器和存储器，还可以根据实际需要进一步包括通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口。其中，存储器、通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口均与该处理器连接。存储器可以是静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等，处理器可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。其它通信组件、传感器组件、电源组件、多媒体组件等均可以采用通用部件实现，在此就不具体说明了。
在本实施例中，所述电子设备包括：存储器，用于存储计算机指令；处理器，用于从所述存储器中读取并执行计算机指令，从而实现对元器件模型的参数的优化。具体的优化逻辑请参照前文，此处不再赘述。
图6是根据本发明一个示例性实施例的元器件仿真装置的示意图。参照图6，仿真装置包括：元器件模型/建模模块、参数优化装置、更新模块和仿真模块。
在本实施例中，元器件模型可以是预先建立或导入的，建模模块能够支持技术员建立元器件模型。在本实施例中，无论是元器件模型还是建模模块，均是现有的，或者根据现有技术可以得到的，此处不做限定。
参数优化装置可以是图4所示实施例提供的参数优化装置，也可以是基于图1～图3所示实施例实现参数优化的装置。更新模块，用于根据参数优化装置确定的参数优化元器件模型，得到优化后的元器件模型。仿真模块则基于优化后的元器件模型进行仿真处理。在本发明的一种实施例中，更新模块可以省略，此时，仿真模块直接将参数优化装置得到的目标个体作为优化后的元器件模型进行仿真处理。
作为本发明示例的上文涉及的附图和本发明的详细描述，用于解释本发明，但不限制权利要求中描述的本发明的含义或范围。因此，本领域技术人员可以很容易地从上面的描述中实现修改。此外，本领域技术人员可以删除一些本文描述的组成元件而不使性能劣化，或者可以添加其它的组成元件以提高性能。此外，本领域技术人员可以根据工艺或设备的环境来改变本文描述的方法的步骤的顺序。因此，本发明的范围不应该由上文描述的实施方式来确定，而是由权利要求及其等同形式来确定。
尽管本发明结合目前被认为是可实现的实施方式已经进行了描述，但是应当理解本发明并不限于所公开的实施方式，而相反的，意在覆盖包括在所附权利要求的精神和范围内的各种修改和等同配置。
Claims (12)
1.一种元器件模型的参数优化方法，其特征在于，所述方法包括：
获取元器件在实际测试环境下的实测数据；
从所述元器件模型中提取参数作为基因，并建立初始种群，所述初始种群中的个体具有随机分配的基因值；
基于所述初始种群并利用遗传算法确定目标个体，所述目标个体的基因值即所述元器件模型优化后的参数；
其中，所述初始种群中个体的适应度，基于所述实测数据和在仿真测试环境下得到的仿真数据确定，所述仿真测试环境与所述实际测试环境一致。
2.根据权利要求1所述的方法，其特征在于，
所述实测数据和所述仿真数据均包括时间以及与时间对应的特性参数；
所述特性参数包括电压值和/或电流值。
3.根据权利要求1或2所述的方法，其特征在于，
单个个体的适应度基于多个时间下的适应度而定，单个时间下的适应度满足：
Q(d)＝K1·A1+K2·A2；
其中，d表示时间，A1根据时间d的仿真特性参数的斜率与实测特性参数的斜率的比值而定，A2根据时间d的仿真特性参数与实测特性参数的比值而定，K1和K2为权重系数。
4.根据权利要求3所述的方法，其特征在于，
其中，K(d)表示时间d的实测电压斜率而k(dN)表示时间d的仿真电压斜率，或，K(d)表示时间d的实测电流斜率而k(dN)表示时间d的仿真电流斜率；
其中，A(d)表示时间d的实测电压幅值而A(dN)表示时间d的仿真电压幅值，或，A(d)表示时间d的实测电流幅值而A(dN)表示时间d的仿真电流幅值。
5.根据权利要求1所述的方法，其特征在于，所述基于所述初始种群并利用遗传算法确定目标个体，包括：
循环执行下述步骤：
在所述仿真测试环境下对所述初始种群中的个体进行仿真测试得到各个体的仿真数据，
基于所述实测数据和个体的仿真数据，确定个体的适应度，
根据个体的适应度从所述初始种群中选取亲本，
基于所述亲本和遗传算子生成新的个体以更新所述初始种群；
在所述循环中，如果满足结束条件，则从所述初始种群中选取适应度最高的个体作为所述目标个体。
6.一种元器件模型的参数优化装置，其特征在于，所述装置包括：
实测数据获取模块：用于获取元器件在实际测试环境下的实测数据；
初始化模块：用于从所述元器件模型中提取参数作为基因，并建立初始种群，所述初始种群中的个体具有随机分配的基因值；
优化模块：用于基于所述初始种群并利用遗传算法确定目标个体，所述目标个体的基因值即所述元器件模型优化后的参数；
其中，所述初始种群中个体的适应度，基于所述实测数据和在仿真测试环境下得到的仿真数据确定，所述仿真测试环境与所述实际测试环境一致。
7.根据权利要求6所述的装置，其特征在于，
所述实测数据和所述仿真数据均包括时间以及与时间对应的特性参数；
所述特性参数包括电压值和/或电流值。
8.根据权利要求6或7所述的装置，其特征在于，
单个个体的适应度基于多个时间下的适应度而定，单个时间下的适应度满足：
Q(d)＝K1·A1+K2·A2；
其中，d表示时间，A1根据时间d的仿真特性参数的斜率与实测特性参数的斜率的比值而定，A2根据时间d的仿真特性参数与实测特性参数的比值而定，K1和K2为权重系数。
9.根据权利要求8所述的装置，其特征在于，
其中，K(d)表示时间d的实测电压斜率而k(dN)表示时间d的仿真电压斜率，或，K(d)表示时间d的实测电流斜率而k(dN)表示时间d的仿真电流斜率；
其中，A(d)表示时间d的实测电压幅值而A(dN)表示时间d的仿真电压幅值，或，A(d)表示时间d的实测电流幅值而A(dN)表示时间d的仿真电流幅值。
10.根据权利要求6所述的装置，其特征在于，所述优化模块包括：
仿真测试子模块，用于在所述仿真测试环境下对所述初始种群中的个体进行仿真测试得到个体的仿真数据；
适应度确定子模块，用于基于所述实测数据和个体的仿真数据，确定个体的适应度；
亲本选取子模块，用于根据个体的适应度从所述初始种群中选取亲本；
种群更新子模块，用于基于所述亲本和遗传算子生成新的族群以更新所述初始种群；
判断子模块，用于在满足结束条件时，从所述初始种群中选取适应度最高的个体作为所述目标个体。
11.一种电子设备，用于优化元器件模型的参数，其特征在于，所述电子设备包括：
存储器，用于存储计算机指令；
处理器，用于从所述存储器中读取并执行计算机指令，从而实现如权利要求1～5中任一项所述的元器件模型的参数优化方法。
12.一种元器件仿真装置，其特征在于，包括：
元器件模型和/或支持生成所述元器件模型的建模模块；
如权利要求6～10中任一项所述的元器件模型的参数优化装置；
仿真模块，用于基于优化后的元器件模型进行仿真。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010606567.9A CN111859627B (zh) | 2020-06-29 | 2020-06-29 | 一种元器件模型的参数优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010606567.9A CN111859627B (zh) | 2020-06-29 | 2020-06-29 | 一种元器件模型的参数优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859627A true CN111859627A (zh) | 2020-10-30 |
| CN111859627B CN111859627B (zh) | 2023-09-22 |
Family
ID=72988750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010606567.9A Active CN111859627B (zh) | 2020-06-29 | 2020-06-29 | 一种元器件模型的参数优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859627B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112671230A (zh) * | 2020-12-04 | 2021-04-16 | 珠海格力电器股份有限公司 | 升压斩波电路的控制方法和装置、分数阶电容的逼近电路 |
| CN113656985A (zh) * | 2021-09-01 | 2021-11-16 | 上海仁童电子科技有限公司 | 制动***中阀类元件的建模方法、故障诊断方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6499022B1 (en) * | 1996-10-21 | 2002-12-24 | Maxtor Corporation | Method and apparatus for optimization of servo parameter values in a data storage device |
| CN1585566A (zh) * | 2004-06-04 | 2005-02-23 | 南京大学 | 基于电阻抗的扬声器低频频率响应的非消声室测量方法 |
| CN1697568A (zh) * | 2005-03-31 | 2005-11-16 | 南京大学 | 平板扬声器驱动器电－力参数的测量方法 |
| US20080183648A1 (en) * | 2006-01-31 | 2008-07-31 | The Board Of Trustees Of The University Of Illinois | Methods and systems for interactive computing |
| CN103544351A (zh) * | 2013-10-25 | 2014-01-29 | 北京世纪高通科技有限公司 | 一种对仿真模型调整参数的方法及装置 |
| CN109472114A (zh) * | 2018-12-13 | 2019-03-15 | 河南工业大学 | 一种磁性纳米粒子仿真测试平台的优化设计方法及装置 |
| CN109633301A (zh) * | 2018-12-03 | 2019-04-16 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
| CN109783912A (zh) * | 2018-12-29 | 2019-05-21 | 湖北工业大学 | 一种升力型垂直轴风力发电机叶片翼型优化设计方法 |
| CN110146758A (zh) * | 2019-05-28 | 2019-08-20 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
| WO2020063690A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力***预测的方法和装置 |
-
2020
- 2020-06-29 CN CN202010606567.9A patent/CN111859627B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6499022B1 (en) * | 1996-10-21 | 2002-12-24 | Maxtor Corporation | Method and apparatus for optimization of servo parameter values in a data storage device |
| CN1585566A (zh) * | 2004-06-04 | 2005-02-23 | 南京大学 | 基于电阻抗的扬声器低频频率响应的非消声室测量方法 |
| CN1697568A (zh) * | 2005-03-31 | 2005-11-16 | 南京大学 | 平板扬声器驱动器电－力参数的测量方法 |
| US20080183648A1 (en) * | 2006-01-31 | 2008-07-31 | The Board Of Trustees Of The University Of Illinois | Methods and systems for interactive computing |
| CN103544351A (zh) * | 2013-10-25 | 2014-01-29 | 北京世纪高通科技有限公司 | 一种对仿真模型调整参数的方法及装置 |
| WO2020063690A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力***预测的方法和装置 |
| CN109633301A (zh) * | 2018-12-03 | 2019-04-16 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
| CN109472114A (zh) * | 2018-12-13 | 2019-03-15 | 河南工业大学 | 一种磁性纳米粒子仿真测试平台的优化设计方法及装置 |
| CN109783912A (zh) * | 2018-12-29 | 2019-05-21 | 湖北工业大学 | 一种升力型垂直轴风力发电机叶片翼型优化设计方法 |
| CN110146758A (zh) * | 2019-05-28 | 2019-08-20 | 四川长虹电器股份有限公司 | 基于交叉熵的非侵入式电器识别方法 |
Non-Patent Citations (7)
| Title |
|---|
| RICCARDO POLI.ET AL: "Fitness-Proportional Negative Slope Coefficient", 《 PROCEEDINGS OF THE 9TH ANNUAL CONFERENCE ON GENETIC AND EVOLUTIONARY COMPUTATION》 * |
| RICCARDO POLI.ET AL: "Fitness-Proportional Negative Slope Coefficient", 《 PROCEEDINGS OF THE 9TH ANNUAL CONFERENCE ON GENETIC AND EVOLUTIONARY COMPUTATION》, 7 July 2007 (2007-07-07), pages 1335 - 1342, XP058212245, DOI: 10.1145/1276958.1277209 * |
| 李尊朝等: "基于遗传算法的亚100nm SOI MOSFET模型参数提取", 《电子学报》 * |
| 李尊朝等: "基于遗传算法的亚100nm SOI MOSFET模型参数提取", 《电子学报》, no. 11, 30 November 2007 (2007-11-30), pages 2033 - 2036 * |
| 葛旭通: "水溶葡萄糖近红外光谱测试及特征波长优选算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 3, pages 014 - 780 * |
| 高艳霞等: "PIN功率二极管模型参数辨识", 《上海大学学报(自然科学版)》 * |
| 高艳霞等: "PIN功率二极管模型参数辨识", 《上海大学学报(自然科学版)》, no. 04, 31 August 2005 (2005-08-31), pages 110 - 114 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112671230A (zh) * | 2020-12-04 | 2021-04-16 | 珠海格力电器股份有限公司 | 升压斩波电路的控制方法和装置、分数阶电容的逼近电路 |
| CN112671230B (zh) * | 2020-12-04 | 2023-10-03 | 珠海格力电器股份有限公司 | 升压斩波电路的控制方法和装置、分数阶电容的逼近电路 |
| CN113656985A (zh) * | 2021-09-01 | 2021-11-16 | 上海仁童电子科技有限公司 | 制动***中阀类元件的建模方法、故障诊断方法及装置 |
| CN113656985B (zh) * | 2021-09-01 | 2024-03-15 | 上海仁童电子科技有限公司 | 制动***中阀类元件的建模方法、故障诊断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111859627B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7761275B2 (en) | Synthesizing current source driver model for analysis of cell characteristics | |
| US9218440B2 (en) | Timing verification of an integrated circuit | |
| Martins et al. | AIDA: Automated analog IC design flow from circuit level to layout | |
| JP5491333B2 (ja) | 集積回路の設計のためのデバイスミスマッチのモデリングおよびシミュレーティング | |
| WO2007050799A2 (en) | Incorporating manufacturing variations in the analysis of integrated circuit design | |
| US9589096B1 (en) | Method and apparatus for integrating spice-based timing using sign-off path-based analysis | |
| Shi et al. | Compact representation and efficient generation of s-expanded symbolic network functions for computer-aided analog circuit design | |
| CN111488717A (zh) | 标准单元时序模型的抽取方法、装置、设备及存储介质 | |
| US11301608B2 (en) | Layout-based side-channel emission analysis | |
| CN111859627A (zh) | 一种元器件模型的参数优化方法及装置 | |
| US11126769B2 (en) | Unified material-to-systems simulation, design, and verification for semiconductor design and manufacturing | |
| US8150638B1 (en) | Predicting parasitic capacitance in schematic circuit simulations using sub-circuit modeling | |
| Liao et al. | An LDE-Aware g m/I D-Based Hybrid Sizing Method for Analog Integrated Circuits | |
| CN105447222B (zh) | 用于集成电路的工艺变化分析的方法 | |
| WO2012081158A1 (ja) | 回路シミュレーション方法及び半導体集積回路 | |
| US20200371843A1 (en) | Framework for application driven exploration and optimization of hardware engines | |
| WO2013071480A1 (zh) | 用于模拟电路移植的电路优化方法和装置 | |
| TW200417887A (en) | Circuit simulation for a circuit | |
| CN110866370A (zh) | 一种电路可靠性逻辑仿真方法、装置、设备及存储介质 | |
| CN112651203B (zh) | 参数优化方法及装置、服务器和存储介质 | |
| WO2014077671A1 (en) | A method of generating spice-compatible isfet model | |
| US20050091621A1 (en) | Methods for designing a circuit | |
| CN112131811A (zh) | 一种fpga的时序参数提取方法 | |
| Baskaya et al. | Net-sensitivity-based optimization of large-scale field-programmable analog array (FPAA) placement and routing | |
| Hou et al. | System level power consumption modeling and optimization for coarse-grained reconfigurable architectures |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |