一种基于代理辅助风险感知的自适应两阶段群体优化的三值FPRM逻辑电路面积优化方法

本发明涉及fprm（fixed polarity reed-muller）逻辑电路面积优化领域，特别是一种基于代理辅助风险感知自适应两阶段群体优化的三值fprm逻辑电路面积优化方法。

背景技术：

1、随着集成电路技术的快速发展，电路规模持续扩大，电路面积优化已成为芯片设计中的核心目标之一。数字逻辑电路可以用基于and/or/not的布尔逻辑来实现，也可以用基于模运算的reed-muller(rm)逻辑来实现。对于某些算术逻辑电路、奇偶校验电路等，rm逻辑实现形式与布尔逻辑实现形式相比，具有结构紧凑、面积小、功耗低、可测试性好等显著优点。三值固定极性reed-muller(fixed polarity reed-muller,fprm)展开式是rm逻辑展开式中最为常见的一种规范形式。对于含个输入变量的三值逻辑函数，共有个不同的极性配置，对应着个繁简不一的三值fprm展开式，不同展开式所对应的电路面积差异显著。因此，在指数级的极性空间中搜索面积最小的最优极性配置，成为三值fprm逻辑电路面积优化的核心任务。随着深度亚微米技术的发展和电路规模的持续增大，面积已经成为影响大规模以及超大规模集成电路发展的重要因素。

2、现有三值fprm逻辑电路面积优化方法大多基于穷举法、遗传算法、人口迁移算法等。基于穷举法的面积优化方法虽然能够找到全局最优解，但其计算复杂度随输入变量数指数级增长，只适用于小规模电路，已无法满足目前中大规模电路的需求。基于遗传算法、人口迁移算法等群智能优化方法的面积优化方法具有分布式搜索、自适应学习等特点，但在每轮迭代中均需对候选极性进行精确的电路面积计算，随电路规模增大，其计算代价急剧增加，在有限的计算资源下难以保证搜索质量，进而导致面积优化的效果不佳。

3、代理辅助优化算法是解决高代价评估优化问题的有效手段，通过构建代理模型以廉价的计算代价近似替代精确评估，从而在有限评估预算内引导算法将计算资源集中分配给更有潜力的候选解。然而，现有代理辅助优化方法大多面向连续优化问题设计，在应用于三值fprm离散极性搜索时存在明显局限：代理模型在样本稀疏区域的预测误差难以量化，易产生乐观偏差，导致精确评估预算被浪费在代理精度不可信的区域；此外，现有方法缺乏针对搜索状态的自适应调控机制，难以在不同规模电路上实现探索与开发的动态平衡。因此，对于三值fprm逻辑电路面积优化领域来说，迫切需要研究一种能够在有限精确评估预算内高效搜索最优极性的面积优化方法。

技术实现思路

1、为解决上述问题，本发明提供了一种基于代理辅助风险感知自适应两阶段群体优化的三值fprm逻辑电路面积优化方法。

2、具体来说，一种基于代理辅助风险感知自适应两阶段群体优化的三值fprm逻辑电路面积优化方法，包括以下步骤：

3、步骤1，读取三值fprm逻辑电路；

4、步骤2，对种群大小、精确评估总预算、初始采样比例、风险系数初始值以及停滞检测阈值进行初始化；

5、步骤3，依据初始采样比例与总预算确定初始精确评估次数，对初始极性逐一进行精确评估并将结果写入精确评估数据库db，从db中取适应度最优的n个极性构成初始种群，初始化各粒子的个体最优和全局最优，并完成预测代理与误差代理的首次拟合；

6、步骤4，每轮迭代开始时，若满足重拟合触发条件则同步更新预测代理和误差代理，采集种群多样性信号、代理精度信号和搜索停滞信号，融合得到综合就绪度，经sigmoid变换得到阶段切换触发量，当触发量连续3轮不低于阈值，或nfes达到0.5·maxnfes时，算法由阶段一不可逆切换至阶段二；

7、步骤5，依据当前所处阶段采用相应位置更新规则生成候选极性并更新粒子位置，经候选极性筛选机制选取精确评估对象，对选出的候选极性进行精确适应度评估，更新个体最优和全局最优，并在线更新误差指数移动平均与风险系数；

8、步骤6，执行停滞检测，若累计停滞精确评估次数达到停滞检测阈值，则触发平台逃逸，对全局最优施加随机扰动生成候选极性，精确评估后写入db并更新全局最优，以该候选极性替换种群中个体最优适应度最差的粒子，重置累计停滞精确评估次数为0，若达到最大尝试次数仍未满足距离约束，则将累计停滞精确评估次数置为停滞检测阈值的一半；

9、步骤7，若精确评估次数nfes未达到总预算maxnfes，则执行步骤4，否则输出最优极性向量以及对应电路面积最小值。

10、进一步的，步骤3所述初始精确评估次数的确定方式表示为：

11、

12、其中为初始样本比，为电路输入变量数，为种群大小，为误差代理首次拟合所需的最小样本数；预测代理采用三次径向基函数拟合极性one-hot特征向量与电路面积之间的映射关系，误差代理采用与预测代理相同的三次rbf结构，以误差标签替代面积标签作为拟合目标进行建模。

13、进一步的，步骤5所述两阶段位置更新规则具体如下：

14、阶段一采用tlbo学习规则生成候选极性，每轮迭代中，为每个粒子随机选取另一粒子，以各自的参考面积值进行比较；若当前粒子的参考面积值不劣于所选粒子，则对两者极性取值相同的分量以一定概率随机翻转为另一不同值，以维持粒子间差异；若当前粒子的参考面积值劣于所选粒子，则对两者极性取值不同的分量以一定概率向所选粒子靠拢，以学习其较优的极性分量信息；参考面积值在粒子已有精确评估结果时取其电路面积值，否则取预测代理的预测值；由学习规则得到候选极性后，采用预测代理的贪婪接受准则，仅当候选极性的预测值优于当前位置的预测值时更新粒子位置，否则保持原位置不变；

15、阶段二采用离散pso规则生成候选极性，对每个极性维度独立维护三个取值对应的速度分量，依据惯性权重、个体最优引导分量与全局最优引导分量执行速度更新；更新后的速度向量经softmax变换得到各取值的选择概率，再通过类别采样确定新的离散极性。

16、进一步的，步骤5所述候选极性筛选机制具体如下：

17、对每个候选极性，以其对应的one-hot特征向量分别输入预测代理和误差代理，得到预测面积值与误差估计值，风险预测值定义为两者的加权组合:

18、

19、其中为风险系数，当误差代理尚未完成首次拟合时，以历史精确误差的指数移动平均代替误差估计值；

20、阶段一中，同时满足以下两个条件的候选极性进入精确评估队列：其一，风险预测值优于当前粒子的参考面积值；其二，候选极性与数据库中所有已评估极性的最小汉明距离不低于动态多样性距离阈值；若本轮所有粒子均无法同时满足两个条件，则直接选取风险预测值最小的候选极性进行评估；

21、阶段二中，以粒子个体最优的电路面积值与候选极性风险预测值之差作为改进量，对同时满足改进量大于零且最小汉明距离不低于动态多样性距离阈值的候选极性按改进量从大到小排序，依据满足条件的候选极性数量确定精确评估个数，若满足条件的候选极性数量为零，则直接评估风险预测值最小的候选极性。

22、进一步的，步骤5所述风险系数的在线自适应更新方式如下:

23、每完成一次精确评估后，将更新前的误差指数移动平均与当前精确评估点的瞬时绝对误差加权更新，得到新的误差指数移动平均；风险系数的更新方式如下：

24、。

25、本发明的有益功效在于：

26、（1）现有三值fprm逻辑电路面积优化方法在每轮迭代中均需对候选极性进行精确的电路面积计算，随电路规模增大，计算代价急剧增加，难以在有限资源下保证搜索质量。通过引入代理辅助两阶段群体优化框架，以三次径向基函数代理模型近似替代精确评估，将有限的精确评估预算集中分配给更有潜力的候选极性，大幅减少了精确评估次数，降低了搜索开销，提高了三值fprm逻辑电路面积优化的效率。

27、（2）现有代理辅助优化方法缺乏对预测代理不确定性的有效量化，代理模型在样本稀疏区域易产生乐观偏差，导致精确评估预算被浪费在代理精度不可信的区域。通过构建误差代理对预测代理的预测误差进行建模，以风险预测值作为候选极性筛选依据，并以在线学习方式自适应调整风险系数，有效抑制了代理模型乐观偏差对精确评估预算的误导，提升了有限精确评估预算的利用效率。

28、（3）现有群体优化方法采用固定的搜索策略，难以适应不同规模电路在搜索过程中呈现的状态演化差异，易导致探索阶段不足或开发阶段提前收敛。通过融合种群多样性、代理精度与搜索停滞三类状态信号驱动两阶段的自适应切换，结合sigmoid动态多样性阈值与停滞平台逃逸机制，增强了算法在不同规模电路上的探索与开发平衡能力，改善了面积优化效果。