一种并行优化算法及在VLSI设计中的应用.docVIP

一种并行优化算法及在VLSI设计中的应用 1993年9月 第16卷第3期 北京邮电学院 J0URNALOFBEllINGUNIVERS玎YOF PoSTSANDTELECOMMUNlcATNS SeDt.I993 Vo1.16No.3 s) 一 种并行优化算法及在VLSI设计中的应用 L 彭以忠～宋俊德张航 一幢月甄) 摘要在对Alopex算法的研究过程中,纠正1原算法对其收敛行为论证中存在 的错误,给出1Alopex算法收敛行为的正哺论证,以及算法中各参数的选取和特 性.并特此算法应用于VLSI设计中的布局,GateMatrix的栅排序中. 关键词超大规模集成电路/分类号TN47z_一AIopex算法;VLS?布局 求一个多变量函数的全局极值同题,常被简称为优化问题.随着人们对优化技术研究的不 断深入,优化技术在许多领域得到了极为广泛地应用.但目前人们普遍采用的许多算法仍属于 传统的确定性启发式算法,它们通常以代价函数为目标,使代价函数以确定的方式向其优化解 趋近,形成一种梯度搜索.因而,容易陷入局部极值点而不能自拔.近些年来,Harth和 Tzanakou在对生物系统的研究过程中,为确定视觉感受区域的形状,提出了一种新的优化方 法(Alogrithmo{PatternExtraction),简称Alopex算法],并在以后的神经生物学实验以 及感知器理论中得到了应用.Pandya对此算法进行了深入研究,并应用到多种问题之中. Alopex算法将启发式与随机优化技术相结合,对所有优化变量实施并行操作,既可克服 传统启发式算法中梯度搜索带来的缺陷,又可克服模拟退火算法中,退火进度难以控制,计 算效率低等不足.本文在概述Alopex算法的基础上,纠正了原算法在对其收敛行为论证中存 在的错误,给出了其算法收敛行为的正确论证,以及对算法中各参数选取的修正和算法的特 性.并将改进后的Alopex算法用于VLSI设计中的布局,GateMatrix中的栅排序上. 1Alopex算法及其收敛行为 A[opex算法是一种寻找大量线性和非线性函数全局优化值的随机方法.它同其它类似方 收藕日期;1992-0408 国家视觉,听觉信息处理重点实验室开放基金资助项目 *现工作在广东省邮电管理局 北京邮电学院 法一样,利用提出的噪声来避免局部极值,但又不同于其他随机优化过程,它利用代价函数 的变化与代价函数中各优化变量变化之间的相互关系来确定各优化变量的走向,使之适应 于每次迭代,因而具有一定的.启发意义.同时,所有优化变量在同一时捌被调整,由此产生出 完成并行计算结构的思想. 对实际优化问题,常可归结为求代价函数F(z,,…,z)全局极大值(或全局极小值)的 问题.Alopex算法可简单地描述如下: )一.(f一1)十a.(f)(1) 其中一{::萋茎)p,cz, P)一王而(3 A一(.(t一1)一≈(t一2))[F0—1)～F(t一2))(4) 式中,∞(t)为代价函数F(x,,z.)中第i个优化变量,在时刻f的取值}文(t)为t时刻优 化变量z随机行走的步长IP.(t)是优化变量z.在时捌t向增加方向行走的概率}(3)式中 正,负号选取,取决于实际问题的要求,取正号使代价函数极小化,取负号使传价函数极大化} r是具有温度特性的参量IF0—1),F(t一2)表示代价函数分别在f一1时刻和一2时捌韵取 值_.1 为了便于论述,给出几个定义和假设. 定义1对含一个优化变量的代价函数F(x,≈,…,z.)求其全局极大值(或全局极小 值),如果△Fgt;0,则代价函数向其优化值趋近.故称代价函数F正向变化,△F是正确的;反 之,若△Flt;0,称F反向变化,△F是错误的. 定义2对于已给的代价函数F(x,,z,…,z.),若变量∞的变化△∞,使代价函数F(x, z,)正向变化,△F正确,则称△是正确的{反之,称.是错误的, 定义3若变量∞在前一时刻变化中.(f一1)是正确的,在此时刻∞仍向原方向变化, 则称z.正向变化;反之,则∞反向变化. 不失一般性,我们假定代价函数F(x,,…,z.)同等地依赖几个优化变量,即 :,;1,2,…,n(5) 但必须强调这并非Alopex算法成功所必需的条件. Pandya在文献[5]中,对(1)--(4)式给出的Alopex算法收敛行为进行论证时,忽视了代 价函数中各优化变量∞朝正向变化的概率P并不总是等于∞朝反向变化的概率1一.因 而,采用概率统计中等可能概型(古典概型)推导出在已知一个优化变量步长△正确条件下, AF正确的条件概率为 P一(+丢[z一1一音]}cs 由此得出,Alopex算法向代价函数F(x,1..z.)的优化值趋近的总概率 P一十(1一P)(1一户)(7) 其中,为代价函数F(x,,._?,z.)