一种基于改进鲸鱼算法的CMOS电流模式D类功率放大器优化设计方法与流程

一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法
技术领域
1.本发明涉及一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法，属于无线通信领域。


背景技术：

2.集成电子电路(iec)主要由数字和模拟部分组成。模拟集成电路是电子系统的主要模块，用作实信号和数字信号之间的接口，但是它们的尺寸对其设计、性能和总体成本造成了重大限制。模拟集成电路主要由数百个晶体管组成。数字集成电路的尺寸确定是一项自动任务，而模拟电路的尺寸确定是一个复杂、耗时、迭代和繁琐的过程。每个晶体管都有三个参数：长度通道和宽度通道，以及偏置电流。在具有大量晶体管和多个目标约束的复杂电路中，设计者最大的难题是如何在这些目标约束中取得最佳平衡。因此，基于模拟或数学模型的高效优化技术对于高性能模拟ic的优化尺寸非常重要。
3.在过去的几年中，超启发式算法已经成功地应用在包含大量晶体管的电路的尺寸确定，并且已经证明它们可以取代传统的方法。在最著名的超启发式算法中，粒子群优化(pso)、蚁群优化(aco)和人工蜂群(abc)已经成功地用于模拟电路的优化。虽然pso、aco和abc算法具有很强的鲁棒性，但在多变量问题中，它们对计算时间和精度的要求很高。


技术实现要素：

4.为克服上述现有技术的不足，本发明的目的是提供一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法。
5.本发明提出一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法，该方法包括：设计一种新型的cmos电流模式d类功率放大器、采用改进鲸鱼算法对功率放大电路进行尺寸设计。
6.本发明通过以下优化方案实现：
7.步骤101，设计新型cmos电流模式d类功率放大器：
8.传统的d类功率放大器在管子导通时电压与电流波形相互重叠，由此带来的损耗是不可忽略的，严重损害效率。本发明设计了一款新型cmos电流模式d类功率放大器。该功率放大器第一级为驱动级，由三个电流镜组成，能够接收输入的电流信号，放大后转换为电压信号输出，作为下一级电路的驱动信号，驱动级为电流模式a类放大器；第二级为功率级，其工作原理是通过谐振回路上的电流方波来产生基频电压信号，属于电流模式d放器类放大器。
9.电流镜输入输出电流关系为：
[0010][0011]
其中，w2、l2为mos管m2宽和长，w1、l1为mos管m1宽和长，i
out
是输入电流信号，i
in
是
输出电流信号。
[0012]
输出电压为：
[0013][0014]
其中r2为输出端电阻。
[0015]
步骤102，制作数据集：
[0016]
根据设计的cmos电流模式d类功率放大器设计参数：输出功率、效率、功率增益。采用cadence软件，仿真求解功率放大器中mos管的沟道宽度wk和沟道长度lk。随机选出500组数据进行归一化预处理，按照7∶3的比例划分为训练数据和测试数据。
[0017]
步骤103，种群初始化：确定鲸鱼种群规模，最大迭代次数，搜索空间维度，生成鲸鱼初始位置。
[0018]
步骤104，根据成本函数cf计算鲸鱼适应度，选出鲸鱼最优位置，并根据适应度的顺序对鲸鱼的初始位置排序：
[0019]
成本函数cf为晶体管总面积最小值，公式为：
[0020][0021]
其中t是mos管的数量，w和l分别为mos管的宽度和长度。
[0022]
步骤105，调整收敛因子a：
[0023]
根据传统鲸鱼算法包围猎物阶段公式：
[0024][0025][0026]
引入非线性收敛因子a：
[0027][0028]
其中，a
top
和a
bottom
分别为a的初始值和终止值，t
max
为最大迭代次数，t为当前迭代次数。由此，包围阶段公式中和可以写成：
[0029][0030][0031]
其中和为(0，1)之间的随机数。
[0032]
步骤106，引入自适应惯性权重w：
[0033]
引入自适应惯性权重w，改进传统鲸鱼算法包围猎物阶段公式，w表示如下：
[0034][0035]
改进之后的鲸鱼位置向量更新为：
[0036][0037]
步骤107，根据系数的大小确认猎物包围策略，搜索猎物：
[0038]
引入一个随机数p，p在(0，1)之间取值，当p＜0.5时，选择收缩包围策略；当p≥0.5
时，选择螺旋更新策略，公式表述如下：
[0039][0040]
其中表示当前为止得到的最优解，b为常数，l为[-1，1]中的随机数。
[0041]
判断的大小，当时，执行全局搜索，公式如下：
[0042][0043][0044]
其中，是从当前种群中选择的随机位置向量(随机鲸鱼)。
[0045]
步骤108，引入量子旋转门操作，公式如下：
[0046][0047]
采用量子旋转门操作更新鲸鱼位置：
[0048][0049]
步骤109，判断是否达到最大迭代次数，如果是，即为最优解；否则，返回步骤103。
[0050]
本发明的有益效果是：
[0051]
本发明设计了一款新型cmos电流模式d类功率放大器。采用cadence软件，仿真求解功率放大器中mos管的沟道宽度wk和沟道长度lk，得到数据集。通过在传统的鲸鱼算法中加入非线性收敛因子和自适应惯性权重，改进了算法的变量变化；在鲸鱼位置更新中引入量子旋转门，平衡了全局搜索和局部搜索。本发明成功地将改进鲸鱼算法应用到了模拟电路的尺寸设计，同时解决了传统鲸鱼算法收敛速度慢的问题，系统的整体性能和最优解的性能有了显著的提高。
附图说明
[0052]
图1是本发明设计的新型cmos电流模式d类功率放大器电路图。
[0053]
图2是改进鲸鱼算法流程图。
[0054]
图3是改进鲸鱼算法与传统鲸鱼算法的比较图。
具体实施方式
[0055]
为了更清楚的说明本发明的技术方案，下面结合附图和实施例对本发明作进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0056]
步骤101，设计新型cmos电流模式d类功率放大器：
[0057]
本发明设计的新型cmos电流模式d类功率放大器电路如图1所示，从结构来看，此电路主要由两级放大器组成。图中第一级为驱动级，包括nmos管m16-m24，电阻r6-r11，由三个电流镜组成，属于电流模式a类放大器。以mos管m16，m17和电阻r6，r7组成的一个电流镜为例，电流镜的输入输出电流关系为：
[0058]
[0059]
其中，w2、l2为mos管m17宽和长，w1、l1为mos管m16宽和长，i
out
是输入电流信号，i
in
是输出电流信号。
[0060]
输出端的电阻r
out
将电流信号转换为电压信号，输出电压为：
[0061][0062]
电流镜通过调节m16，m17的宽长和r
out
的大小对输入电流信号进行放大，可以很方便地改变驱动级放大倍数。m18与m19组成的电流镜同样可以改变m18与m19的宽长和电阻r9调节驱动级的直流电流，从而控制驱动级的直流功耗。本发明中功率放大器的功率级采用电流模式d类结构，包括nmos管m23，m24，电感l9-l11和电容c5，具有较高的效率和输出功率。除了上述2级放大电路之外，整个放大器还包括以下4个部分：输入匹配网络，由电容c1，c2，电感l5，l6组成；输出匹配网络，由电容c6，c7，电感l12，l13构成；偏置电路，包括电阻r11，电感l7，l8和nmos管m22；电容c3，c4组成隔直电容。
[0063]
步骤102，制作数据集：
[0064]
表1为基于改进型鲸鱼算法的电流模式功率放大器参数分析：
[0065][0066]
表1基于改进型鲸鱼算法的电流模式功率放大器参数分析
[0067]
根据设计的cmos电流模式d类功率放大器设计参数：输出功率、效率、功率增益。采用cadence软件，仿真求解功率放大器中mos管的沟道宽度wk和沟道长度lk。随机选出500组数据进行归一化预处理，按照7:3的比例划分为训练数据和测试数据。
[0068]
本实施例的算法流程图如图2所示：
[0069]
步骤103，初始化鲸鱼种群：
[0070][0071]
其中，n和d分别为鲸鱼的数量和维度。
[0072]
步骤104，选择晶体管总面积最小值成本函数cf作为适应度评估标准，评估每条鲸鱼适应度：
[0073][0074]
适应度函数可写为：
[0075][0076]
步骤105，调整收敛因子a：
[0077]
根据传统鲸鱼算法包围猎物阶段公式：
[0078][0079][0080]
引入非线性收敛因子a：
[0081][0082]
其中，a
top
和a
bottom
分别为a的初始值和终止值，t
max
为最大迭代次数，t为当前迭代次数。由此，包围阶段公式中和可以写成：
[0083][0084][0085]
其中和为(0，1)之间的随机数。
[0086]
步骤106，引入自适应惯性权重w：
[0087]
引入自适应惯性权重w，改进传统鲸鱼算法包围猎物阶段公式，w表示如下：
[0088][0089]
改进之后的鲸鱼位置向量更新为：
[0090][0091]
步骤107，根据系数的大小确认猎物包围策略，搜索猎物：
[0092]
引入一个随机数p，p在(0，1)之间取值，当p＜0.5时，选择收缩包围策略；当p≥0.5时，选择螺旋更新策略，公式表述如下：
[0093][0094]
其中表示当前为止得到的最优解，b为常数，l为[-1，1]中的随机数。
[0095]
判断的大小，当时，执行全局搜索，公式如下：
[0096][0097][0098]
其中，是从当前种群中选择的随机位置向量(随机鲸鱼)。
[0099]
步骤108，引入量子旋转门操作，公式如下：
[0100][0101]
采用量子旋转门操作更新鲸鱼位置：
[0102][0103]
步骤109，检查搜索鲸鱼是否超出搜索空间，是否达到最大迭代次数，如果超出搜索空间或未达到最大迭代次数，则进行修改，返回步骤103，重新计算已更新数据的适应度函数。否则，输出即为最优解。
[0104]
图3为传统鲸鱼算法和本发明中改进型鲸鱼算法对比图，通过具体实施例，进一步阐述了本发明。图3的横坐标表示迭代次数，纵坐标表示最大完成时间。红色代表改进的鲸鱼算法，蓝色代表原始鲸鱼算法。从图3可以看出，首先，经过500次迭代后，原始的鲸鱼算法没有达到最优值，而改进的鲸鱼算法达到了最优值55。其次，可以发现改进的鲸鱼算法的初始值约为65，而原始鲸鱼算法的初始值约为68。最后，在优化过程中，可以看到原来的whale算法在迭代近80次时开始稳定；改进的whale算法经过近25次迭代，达到了最优值。可以看出，改进的whale算法在搜索能力和收敛速度上比原whale算法有了显著的提高。综上所述，改进的鲸鱼算法总体上优于原鲸鱼算法，表明了改进算法的有效性。