基于AMSChOA的MPRM电路面积优化

摘要

为解决现有基于同或/或(XNOR/OR)的混合极性Reed-Muller(mixed polarity Reed-Muller,MPRM)电路面积优化方法中存在的收敛速度较慢、不容易跳出局部最优等问题，提出一种基于自适应多策略选择黑猩猩优化算法(adaptive multi-strategy selection chimp optimization algorithm, AMSChOA)的MPRM电路面积优化方法。AMSChOA使用柯西变异、螺旋搜索、随机搜索和翻筋斗策略在4个最优黑猩猩附近进行搜索，扩大算法的搜索范围。针对其他黑猩猩个体加入动态学习因子策略，动态学习4个最优黑猩猩位置，加快算法跳出局部最优。利用提出的AMSChOA对基于XNOR/OR的MPRM电路进行面积优化，搜索电路面积最小时对应的MPRM电路。基于北卡罗来纳微电子中心(Microelectronics Center of North Carolina, MCNC)基准测试电路的试验结果表明，本研究提出的方法有效，与基于传统黑猩猩优化算法、粒子群算法、改进粒子群算法的MPRM电路面积优化方法相比，最高面积优化率为68.09%,平均优化率为41.24%。

关键词

MPRM面积优化 / 自适应多策略选择黑猩猩优化算法 / 混合极性Reed-Muller / 动态学习因子 / 组合优化问题