采用模糊遺傳算法優(yōu)化兩層埋入式電阻布局的方法
【專利摘要】本發(fā)明的采用模糊遺傳算法優(yōu)化兩層埋入式電阻布局的方法，包括：對上下層電阻分別實施遺傳操作，依次執(zhí)行初始種群生成、交叉、變異和進化逆轉操作，共用模糊邏輯控制器輸出的交叉概率 P c和變異概率 P m，在計算適應度函數(shù)和局部災變時，將兩個種群作為整體進行評價及更新，種群更新后重新判斷，滿足條件則對種群實施局部災變。與采用標準遺傳算法進行熱布局優(yōu)化的方法相比，本發(fā)明在保持種群多樣性及搜索全局最優(yōu)解方面具有明顯優(yōu)勢，且ANSYS溫度場分布以及實驗樣板的熱成像結果顯示其最高溫度及最大溫差都有較大幅度降低。根據優(yōu)化結果獲得的兩層電子元件熱布局規(guī)則除適用于埋入式電阻，對其它電子元件的熱布局設計也具有指導作用。
【專利說明】采用模糊遺傳算法優(yōu)化兩層埋入式電阻布局的方法

【技術領域】
[0001] 本發(fā)明涉及電阻熱布局，具體是一種采用模糊遺傳算法優(yōu)化兩層埋入式電阻熱布 局的方法。

【背景技術】
[0002] 隨著電子產品向輕、薄、短、小趨勢發(fā)展，在互連基板內層制造或埋入無源器件W 實現(xiàn)元件高密度集成的埋入式無源器件技術受到廣泛關注。該技術可有效減小基板面積， 提高布線密度，降低生產成本。信號傳輸路徑的縮短使埋入式器件在高頻高速領域可W很 好地保持信號完整性及減少電磁干擾。但是，元件集成度的提高同時使基板內單位體積的 功耗增大、發(fā)熱量增加。高溫環(huán)境影響埋入式器件的工作壽命并導致相關參數(shù)值改變，當溫 度升高到一定程度，埋入式器件可能因失效而停止工作，嚴重時甚至引起封裝材料燃燒。埋 入式無源器件中的主要發(fā)熱源是電阻元件，電阻的功率對PCB板的溫升具有顯著影響，且 電阻在基板中的位置不同，其溫升不同，對鄰近器件的溫度影響也不同。不合理的布局將導 致基板局部溫度過高或溫度梯度過大，從而降低電路板的整體性能及可靠性。因此，分析參 數(shù)不同的元器件相互間的位置關系對溫度場分布的影響，尋求散熱效果最佳的布局方案具 有必要性。
[0003] 近年來已有學者將遺傳算法應用到該領域研究中，如文獻[1]利用遺傳算法解決 單層SMT電子元件的熱布局優(yōu)化，文獻巧，3]利用遺傳算法進行兩層3D-MCM芯片的熱布 局設計等。但由于遺傳算法存在特有的早熟收斂現(xiàn)象，在進化早期種群多樣性急劇減少， 群體缺乏有效的等位基因，在遺傳算子作用下不再生成高階競爭模式[4]。因此，采用標準 遺傳算法進行熱布局優(yōu)化得到的優(yōu)化結果有可能并非全局最優(yōu)解，而是某個隨機的非優(yōu)個 體。
[0004] [1]肖德勁，周德儉，黃春躍，李天明.基于遺傳算法的表面組裝電子元件熱布 局優(yōu)化[J].電子機械工程.2007, 23(2): 12-17YAN Dejin，ZH0U Dejian，HUANG Chunyue，et al. Placement optimization for thermal performance of SMT electronic components using genetic algorithms[J]. Electro-Mechanical Engineering. 2007, 23 (2):12-17 (in Chinese)
[0005] [2] HUANG Chunyue, LI Tianming, LIANG Ying, et al. Study on thermal placement optimization of embedded MCM[C]. Advanced Materials Research. Switzerlanchhans Tech Publications, 2011:2269-2273
[0006] 口]梁穎，黃春躍，間德勁，等.基于熱疊加模型的疊層3D多芯片組件 芯片熱布局優(yōu)化研究[J].電子學報，2009,37 (11) :2520-2524 LIANG Ying, HUANG Chunyue,YAN Dejin,et al. Study on thermal placement optimization of stackedSD-MCM based on thermal superposition model[J]. Acta Electronica Sinica，2009, 37(11):2520-2524 (in Chinese)
[0007] [4]雷英杰，張善文，李續(xù)武，等.MTLAB遺傳算法工具箱及應用[M].西安：西 安電子科技大學出版社，2005 :25-29


【發(fā)明內容】

[0008] 為了克服已有技術的不足，本發(fā)明W埋入式基板內兩層功率不同的電阻元件為研 究對象，采用模糊遺傳算法優(yōu)化其布局排列，提供一種采用模糊遺傳算法優(yōu)化兩層埋入式 電阻布局的方法，改善標準遺傳算法優(yōu)化收斂過早的問題，得到可用于指導埋入式電阻熱 設計的布局規(guī)則，彌補現(xiàn)有技術的不足。
[0009] 本發(fā)明的采用模糊遺傳算法優(yōu)化兩層埋入式電阻布局的方法，包括：對上下層電 阻分別實施遺傳操作，依次執(zhí)行初始種群生成、交叉、變異和進化逆轉操作，共用模糊邏輯 控制器輸出的交叉概率P。和變異概率Pm,在計算適應度函數(shù)和局部災變時，將兩個種群作 為整體進行評價及更新，步驟如下：
[0010] 步驟1;上下層電阻采用隨機方式生成初始種群；
[0011] 步驟2 ;將當前進化代數(shù)gen和最優(yōu)適應度值未改變的次數(shù)num輸入模糊邏輯控 制器得到交叉概率P。和變異概率Pm ;
[0012] 步驟3 ;分別對兩個種群實施交叉操作；
[0013] 步驟4 ;分別對兩個種群實施變異操作；
[0014] 步驟5 ;分別對兩個種群實施進化逆轉；
[0015] 步驟6 ;將兩個種群作為整體計算適應度函數(shù)值，并采用最優(yōu)保存策略選擇最佳 個體；
[0016] 步驟7 ;種群更新后重新判斷，若gen值小于200且num值大于50,則對種群實施 局部災變，然后返回步驟2,否則直接返回步驟2 ;
[0017] 算法的最大遺傳代數(shù)設為300代，gen值超過300則終止進化。
[0018] 在步驟1，種群規(guī)模都設置為100。
[0019] 進一步，在步驟2,模糊邏輯控制器有兩個輸入變量和兩個輸出變量，輸入變量為 遺傳算法的當前進化代數(shù)gen, W及進化過程中最優(yōu)適應度值未改變的次數(shù)num,輸出變量 為遺傳算法的交叉概率P。和變異概率Pm;各輸入變量的模糊論域都歸一化到[0，1]范圍， 輸出變量P。和Pm的論域分別為化7, 1]和[0, 0. 3];各輸入輸出變量的隸屬度函數(shù)都取為 H角形隸屬度函數(shù)，定義如式（1)所示，參數(shù)a、C分別對應H角形下部左右頂點，參數(shù)b對 應H角形上部頂點；
[0020]

【權利要求】
1. 采用模糊遺傳算法優(yōu)化兩層埋入式電阻布局的方法，包括：對上下層電阻分別實施 遺傳操作，依次執(zhí)行初始種群生成、交叉、變異和進化逆轉操作，共用模糊邏輯控制器輸出 的交叉概率P。和變異概率Pm，在計算適應度函數(shù)和局部災變時，將兩個種群作為整體進行 評價及更新，步驟如下： 步驟1:上下層電阻采用隨機方式生成初始種群； 步驟2 :將當前進化代數(shù)gen和最優(yōu)適應度值未改變的次數(shù)num輸入模糊邏輯控制器 得到交叉概率P。和變異概率Pm ; 步驟3 :分別對兩個種群實施交叉操作； 步驟4 :分別對兩個種群實施變異操作； 步驟5 :分別對兩個種群實施進化逆轉； 步驟6 :將兩個種群作為整體計算適應度函數(shù)值，并采用最優(yōu)保存策略選擇最佳個體； 步驟7 :種群更新后重新判斷，若gen值小于200且num值大于50,則對種群實施局部 災變，然后返回步驟2,否則直接返回步驟2 ; 算法的最大遺傳代數(shù)設為300代，gen值超過300則終止進化。
2. 根據權利要求1所述的方法，其特征在于：在步驟1，種群規(guī)模都設置為100。
3. 根據權利要求1所述的方法，其特征在于：在步驟2,各輸入變量gen和num的模糊 論域都歸一化到[〇, 1]范圍，輸出變量P。和Pm的論域分別為[〇. 7, 1]和[0, 0. 3];各輸入 輸出變量的隸屬度函數(shù)都取為三角形隸屬度函數(shù)，定義如式（1)所示，參數(shù)a、c分別對應三 角形下部左右頂點，參數(shù)b對應三角形上部頂點；
模糊邏輯控制器的輸入、輸出變量的語言值都設為三個，分別是S、M和B，對于輸入變 量gen，S代表進化早期，M代表進化中期，B代表進化后期；對于其它變量，S代表小，M代表 中，B代表大；共有9條規(guī)則，寫成條件語句的形式如下： if gen is Aij and num is Bi, then Pc is Cij then Pm is Di ； 其中i = 1，2,…，9, Ai、Bi、Ci和Di分別是定義在gen、num、P。和P m論域上的模糊集。 具體的模糊邏輯控制規(guī)則為：在進化早期，種群多樣性較好，P。和Pm隨著num變化相應 增大或減??；進化中期，種群多樣性逐漸下降，對P。和Pm賦值力度比早期偏大；進化后期， 種群趨于收斂，為避免破壞已找到的最優(yōu)解，對P。和Pm的賦值力度比早期偏小。
4. 根據權利要求1所述的方法，其特征在于：在步驟3,利用交叉概率P。隨機選擇交叉 區(qū)域，將待交叉?zhèn)€體的交叉區(qū)域互換后放置于個體前端，并把原個體中與交叉區(qū)域重復的 編碼刪除。
5. 根據權利要求1所述的方法，其特征在于：在步驟4,利用變異概率Pm隨機選擇對換 位置，并將該位置上的兩個編碼互換。
6. 根據權利要求1所述的方法，其特征在于：在步驟5,將個體中隨機選擇的一段區(qū)間 內的編碼逆序排列，若逆轉后的個體適應度值有提高則保留，否則無效。
7. 根據權利要求1所述的方法，其特征在于：在步驟6,適應度函數(shù)定義為所有電阻溫 度的平均值：
式中M為基板中電子元件的總數(shù)，Ti為每一個元件在基板上的溫度；且
Tmax = c1+t+/2Bi (4) T = C4K0OnD+)，D+31 (5) 其中，Titj為各電子元件的自身溫度，Tji為某一元件j對元件i的貢獻溫度，Tmax為電子 元件中心處的溫度， T為無量綱溫度，D為距離變量，D+為無量綱距離D/R，用圓面積近似電子元件面積， ....
，W和H為電子元件的寬和高；t為芯片厚度，t+為無量綱芯片厚度t/R ;
實中h為熱傳遞系數(shù)，k為導熱性系數(shù)A和C4的表達式為：
Bi為畢奧數(shù)，Itl和I1為變形的第一類O階和1階貝塞爾函數(shù)，K tl和K1為變形的第二類 〇階和1階貝塞爾函數(shù)。
8. 根據權利要求7所述的方法，其特征在于：采用多項式方程簡化，得到某一元件i的 自身溫度Ti。和某一元件j對元件i的貢獻溫度Tji : Tio = 12. 5 X (1+6. 31 X (AiAmax)-2.87)-O.5 (7) Tji = 0. 02 X AjAmax X (1+6. 82 X (DjiZRi)^55)15 (8) 式中Ai為某一元件i的功率，Amax為所有元件中的最大功率，Dji表示元件j和元件i 的距離，Ri為元件i半徑； 采用式（8)計算其它元件對某一上層元件的貢獻溫度時，Amax取其所對應的下層元件 的功率。
9. 根據權利要求7所述的方法，其特征在于：對式（2)增加修正項，如式（10)所示， Ave' = 0. 8XAve+0. lXMax+0. IXDiff (10) Ave為原適應度函數(shù)值，Max代表所有元件的最高溫度，Diff代表元件最高溫度與最低 溫度的差值。
10. 根據權利要求1所述的方法，其特征在于：在步驟7,局部災變是采用對換變異法將 種群中最差的10%個體替換為當前最佳個體的不同變異體。
【文檔編號】G06F17/50GK104331557SQ201410606373
【公開日】2015年2月4日 申請日期:2014年10月30日 優(yōu)先權日:2014年10月30日
【發(fā)明者】鄧莉, 李天明, 黃春躍, 張瑞賓, 龐前娟, 黃偉 申請人:桂林航天工業(yè)學院