基于三值多样性粒子群算法的MPRM电路综合优化
本文选题：三值多样性粒子群算法 切入点：MPRM电路 出处：《电子学报》2017年07期 论文类型：期刊论文
【摘要】：通过对离散三值粒子群算法的研究,提出一种三值多样性粒子群算法以求解MPRM(Mixed-Polarity Reed-Muller,MPRM)电路综合优化问题.首先根据混合极性XNOR/OR展开式的特点和几率换算法则,推导出三值粒子群算法的运动方程,在此基础上,采用广泛学习策略和三值变异操作进行算法改进;然后建立三值多样性粒子群算法的粒子与MPRM电路极性的参数映射关系,结合估计模型和XNOR/OR电路混合极性转换方法,将所提算法应用于MPRM电路的最佳功耗和面积极性搜索;最后对10个PLA格式MCNC Benchmark电路进行测试.结果表明:与已发表的方法相比,该文的优化算法表现出了总体显著性的性能优势.
[Abstract]:Through the study of discrete ternary particle swarm optimization algorithm, a ternary diversity particle swarm optimization algorithm is proposed to solve the MPRM(Mixed-Polarity Reed-Mullerian MPRM circuit synthesis optimization problem. Firstly, according to the characteristics of the mixed polarity XNOR/OR expansion and the probability conversion rule, The equation of motion of the ternary particle swarm optimization algorithm is derived, and the extensive learning strategy and the ternary mutation operation are used to improve the algorithm, and then the parameter mapping relationship between the particle of the multi-valued particle swarm optimization algorithm and the polarity of the MPRM circuit is established. Combined with the estimation model and the hybrid polarity conversion method of XNOR/OR circuits, the proposed algorithm is applied to the optimal power consumption and surface positivity search of MPRM circuits. Finally, 10 MCNC Benchmark circuits with PLA format are tested. The results show that the proposed algorithm is compared with the published methods. The optimization algorithm in this paper shows the overall significant performance advantage.
【作者单位】： 宁波大学电路与系统研究所;
【基金】：国家自然科学基金(No.61306041,No.61234002) 宁波市自然科学基金(No.2016A610065,No.2016A10092) 学校科研基金(No.XKL15D225)
【分类号】：TN791;TP18
【相似文献】
相关期刊论文 前10条
1 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期
2 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期
3 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期
4 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期
5 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期
6 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期
7 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期
8 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期
9 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期
10 刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期
相关会议论文 前10条
1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年
2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年
3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年
4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年
5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年
6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年
7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年
8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年
9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年
10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年
相关博士学位论文 前10条
1 李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年
2 杜毅;多阶段可变批生产线重构的研究[D];广东工业大学;2016年
3 尹浩;求解Web服务选取问题的粒子群算法研究[D];东北大学;2014年
4 王芳;粒子群算法的研究[D];西南大学;2006年
5 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年
6 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年
7 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年
8 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年
9 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年
10 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年
相关硕士学位论文 前10条
1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年
2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年
3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年
4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年
5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年
6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年
7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年
8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年
9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年
10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年
，本文编号：1575265
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/1575265.html
