基于粒子群优化算法器件模型表面势求解.docVIP

基于粒子群优化算法器件模型表面势求解 　　要： 在研究器件建模和粒子群优化算法的基础上，提出了基于粒子群优化算法的器件模型表面势求解，从而建立整套模型参数。在粒子群优化算法的程序实现上，采用JAVA面向对象语言，封装粒子对象，进化中的粒子个体不断接近最优解。之后对经典的器件模型表面势方程进行了测试，证明了粒子群优化算法在器件建模方面的可行性。 　　关键词： 粒子群优化算法； 器件模型； 表面势； JAVA 　　中图分类号：TP311 文献标志码：A 文章编号：1006-8228（2015）03-01-03 　　Abstract： Based on the research on device modeling and particle swarm optimization algorithm， proposes a solution of particle swarm optimization algorithm for device model surface potential， so as to establish a complete set of model parameters. On the particle swarm optimization algorithm program implementation， using JAVA object-oriented language， encapsulating particles， evolutionary particle individual is constantly close to the optimal solution. The classic device model surface potential equation was tested， and proved the feasibility of the particle swarm optimization algorithm in terms of device modeling. 　　Key words： particle swarm optimization； device model； surface potential； JAVA 　　0 引言 　　器件建模是制造工艺发展和电路设计之间一条重要的桥梁。他们的主要功能是准确的重现器件的微小特征，这对于数字，模拟，混合信号和射频集成电路的设计是至关重要的。在深亚微米工艺下，特征尺寸不断缩小，逐渐接近物理极限，MOS器件也随之出现一系列之前未曾考虑过的效应。同时供电电压也随着尺寸的减小而下降，对中间过渡区影响较大，这样就要求能够精确而物理地描述中间过渡区，这时就应该选择表面势模型。随着器件模型应用领域的普及，结合各种物理效应的建模成为必然。物理性、连续性、全面性等苛刻的电路设计要求促使表面势模型得到了进一步研究。表面势模型的优势在于模型参数较少，物理特性强，精度较高，其原理就是通过推导沟道的表面势方程，由于沟道中的粒子能很好地表征各个物理效应，之后可以根据所求解得到的表面势推导出器件模型中其他150-400个参数。然而最初为何器件模型没有直接选择表面势建模，是因为表面势建模极其复杂，除物理效应繁杂外，求解表面势方程也是一项难题。 　　作为一种智能计算，粒子群优化算法（Particle Swarm Optimization，PSO）是基于个体自身的发展与群体间的交流来完成复杂空间中最优解的搜索。PSO一方面实现了智能算法的功能，具有较好的函数优化和全局搜索，另一方面吸取了人工生命、鸟群觅食、鱼群学习和群理论的思想，省去了一些复杂的操作，使得参数减少，具有简单易用、高效实用的优点。结合器件模型中表面势方程的特点，考虑到PSO会是非常适合求解的选择，本文提出了使用粒子群优化算法进行求解，采用JAVA面向对象语言设计算法程序。程序测试结果表面该优化算法在求解器件模型表面势方程方面的可行性，有效性，具有一定的理论应用价值。 　　1 PSO算法及表面势模型介绍 　　1.1 PSO算法 　　PSO算法由Eberhart和Kennedy于1995年提出[1-2]，其灵感来自于自然界的鸟群、兽群、鱼群等在其迁徙、捕食过程中所表现出来的高度的组织性和规律性。在粒子群优化算法中，鸟群中的每个小鸟被称为一个“粒子”，也就是说“粒子”模拟了各个小鸟的行为特征，具有了速度和位置，根据所需求解的问题函数得到各个粒子的函数适应值，通过对解空间中各个“粒子”，也就是潜在解进行迭代搜索，只要不满足判断条件就不断更新粒子的飞行速度和具体位置，最终满足条件时得到优化结果。 　　粒子群优化算法之所以简单、易于实现，在于其原理更多的来源于生物，生物的