基于遗传算法的大规模bga封装最优引脚分布生成方法
【技术领域】
[0001] 本发明涉及大规模BGA封装技术领域，更具体地，涉及一种基于遗传算法的大规模 BGA封装最优引脚分布生成方法。
【背景技术】
[0002] 随着电子信息技术和产品工艺的不断进步，芯片的芯片集成度不断提高，I/O引脚 数急剧增加，功耗也随之增大，对集成电路封装的要求也更加严格。为了满足产品的需要。
[0003] BGA封装开始被应用于生产。BGA为Ball-Gird-Array的英文缩写，即球形封装，作 为新一代的芯片封装技术，他的工作原理是在封装体基板的底部制作阵列焊球作为电路的 I/O端与印刷线路板(PCB)互连，与传统的脚形贴装器件相比，BGA封装器件有很多优良特 点，如I/O数较多、提高了贴装成品率、潜在的降低了成本、有利于散热、由于焊球引脚很短 从而缩短了信号的传输路径，减少引线电感、电阻，从而可改善电路的整个性能等。
[0004] 近些年，随着半导体硅技术的不断成熟与进步，产品的性能的不断丰富与多样，造 成BGA产品封装越发复杂，芯片的引脚数目急剧增加，伴随着BGA封装中信号、电源引脚分布 的不断困难，往往会伴随着许多信号完整性的问题，如串扰、轨道塌陷电磁干扰、辐射等。如 何才能在BGA封装上更好地实现引脚分配，显得格外重要。
[0005] 近年来，在产品生产与芯片排布中，很多引脚最优分布的方法被陆续提出，本次研 究主要是通过对遗传算法在BGA布局中的引用来实现最优的引脚分布。
[0006] 遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存，优胜劣 汰遗传机制)演化而来的随机化搜索方法。它是由美国的J. Hoi land教授1975年首先提出， 其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定;具有内在的隐 蔽性和更好的全局寻优能力;采用概率化的寻优方法，能自动获取和指导优化的搜索空间， 自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于 组合优化、机器学习、信号处理、自适应控制和人工生命等领域，它是现代有关智能计算中 的关键技术。
[0007] 在BGA引脚排布过程中，如何尽可能减少时间消耗与确认全局最优，是我们重点研 究方向。主要采取的是在遗传算法的基础上运用静态模板快速生成最优引脚。
【发明内容】
[0008] 本发明的目的在于克服大量的引脚排布导致复杂的封装设计甚至是严重的信号 完整性问题的现象，提供一种基于遗传算法的大规模BGA封装最优引脚分布生成方法，本方 法不仅有效地解决随着更多的功能函数被整合到信号分装中，大量的I/O引脚，P/G引脚必 须容纳在信号封装甚至更小的体积内这一问题，而且还能大规模自动生出最优的引脚分 布，以减少信号完整性的问题。
[0009] 为实现以上发明目的，采用的技术方案是：
[0010] -种基于遗传算法的大规模BGA封装最优引脚分布生成方法，包括以下步骤：
[0011 ] SI.对于引脚数目为M*N的BGA封装，其引脚分布使用M*N的矩阵D来表示，其中使用 1、2、0分别来表示电源信号引脚、地信号引脚和空信号引脚；
[0012] S2.选定K个封装方案，并使用M*N的矩阵分别来表示其引脚分布，K个封装方案构 成种群Chrom，封装方案作为种群Chrom中的个体，此时令迭代次数t = 0;
[0013] S3.将含有K个个体的种群Chrom随机排列；
[0014] S4.将种群Chrom的个体的适应度值进行评价检测；
[0015] S5.将种群Chrom中的个体根据其适应度值进行两两比较，将两两比较中适应度较 好的个体放入WinChrom的容器中，WinChrom的容器中共有N个；
[0016] S6.使WinChrom中的个体进行匹配交叉，匹配交叉的位置由随机数ml、m2、nl、n2确 定，若ml小于m2,则个体矩阵的交叉区域的行位于ml + 1到m2之间，若ml大于m2,则个体矩阵 的交叉区域的行位于1到m2或是ml + 1到K之间，nl、n2用于确定交叉区域的列，其原理同ml、 m2。由此可确认匹配交叉区域；
[0017] S7.判断交叉后的个体相对应的电源信号引脚、地信号引脚数目是否发生了改变， 若否则继续执行步骤S8;
[0018] S8.使WinChrom中的个体进行变异，首先计算变异概率Pm:
[0019]
[0020] 其中fMax、f、fi为分别种群WinChrom中最适应个体的适应值、种群平均P应值、变异 个体的适应值；
[0021] S8.在变异概率内，判断变异个体的电源信号引脚、地信号引脚是否等于变异个体 的总引脚数，若是则将某个电源信号引脚与地信号引脚互换位置，若否，则利用rand函数在 (〇，1)之间随机产生一个数，若此数大于Pm，则将个体中某个电源信号引脚与地信号引脚互 换位置，否则将个体中某个电源信号引脚或者地信号引脚与空信号引脚交换位置；
[0022] S9.N个WinChrom进行交叉匹配、变异后产生（K-N)个WinChrom后代，将N个 WinChrom和(K-N)个WinChrom后代组合，形成新一代种群NewChrom;
[0023] S10.计算种群NewChrom中各个个体的适应值，选择适应值最好的个体为Bestlnd;
[0024] S11 ·令t = t+l，将种群NewChrom作为初始种群重复执行步骤S3~S10直至t>k;
[0025] S12 .保存每次迭代的最优个体Bestlnd到容器BestInd_Temp中，通过比较分析 Best Ind_Temp中每个Best Ind的适应值得到最理想的引脚分配。
[0026] 优选地，所述步骤S10的适应值定义为
[0027] f(x)=wXMsum(A)+Dsum(A)we[0,00);
[0028] 其中w是非负的权重系数，MS?(A)为个体总电感，D_(A)为个体返回路径质量。 [0029] 优选地，所述权重系数w = 0.75。
[0030] 优选地，个体总电感Msum(A)表示如下：
[0031]
[0032] &1沩_1，0，1，分别表示引脚1与引脚，」在对立的方向、引脚1 =引脚」、引脚1与引脚 j在相同的方向这三种不同情况，G代表总的引脚数目，du表示引脚i与引脚j之间的距离， M、谦示第i行j列的引脚的局部互感，dMaA固定值，表示引脚间距的最大值。
[0033] 优选地，所述个体返回路径质量表示如下：
[0034]
[0035] 其中0_表示矩阵中每列的最小元素所构成的矢量，G表示引脚总数目，山表示矩 阵D中第j列中最小元素，Var(Dmin)表示Dmin的均方差。
[0036] 优选地，所述步骤S12中，通过比较分析BestInd_Temp中每个Bestlnd的适应值得 到最理想的引脚分配的过程具体如下：
[0037] S121 ·判断BestInd_Temp中Bestlnd的数目是否大于1小于8，若是则执行步骤 S123,否则执行步骤S122;
[0038] S122.输出适应值最大的个体；
[0039] S123.判断Bestlndjemp中是否有相同的个体，若是则输出适应值最大的个体，否 则执行步骤S121。
[0040]与现有技术相比，本发明的有益效果是：
[0041 ] (1)大大提尚了引脚分布的效率，提尚彳目号完整性；
[0042] (2)人眼可以直接对最终结果进行视觉评估；
[0043] (3)缩短整个大规模BGA封装设计的时间，可广泛适用在现代大规模高性能系统封 装中。
【附图说明】
[0044] 图1为最优引脚分布生成方法的流程图。
[0045] 图2为电信号引脚、地信号引脚、空信号引脚的互换关系判断图。
[0046] 图3为通过比较分析Best Ind_Temp中每个Bestlnd的适应值得到最理想的引脚分 配的过程示意图。
[0047] 图4使用矩阵表示引脚分别的示例图。
[0048] 图5为改良后的锦标赛选择的示意图。
[0049] 图6为交叉区域的确定示例图。
【具体实施方式】
[0050] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0051] 以下结合附图和实施例对本发明做进一步的阐述。
[0052] 实施例1
[0053] 如图1所示，最优引脚分布生成方法具体实施如下：
[0054] 1.初始化种群
[0055] 给定一个引脚数目为M*N大小的BGA封装，我们可将这引脚布用一个M*N的矩阵表 示，这里将提出一种矩阵编码方式会传递BGA封装中引脚分布的规则，即分别用1、2、0来代 替电源、地、其他信号引脚的排布规律如图4所示。通过使用矩阵编码的方式，首先我们比较 容易获得矩阵中任意一对引脚的距离，从而方便我们计算目标函数;其次对于基因引脚的 操作比较容易实现。
[0056] 另外，初始种群的各个个体之间应该保持一定的距离，并定义相同长度的以某一 常数为基的两个字符串中对应不同的数量为两者间的广义汉明距离，这要求入选初始种群 的个体之间的广义明海距离必须大于某个设定的值。采用这种方法能保证随机产生的各个 个体之间较有明显的差别，使他们能够均匀分布在解空间中，增加获取全局最优解的可能。 同时初始种群的大小也将影响整个遗传算法的效率，规模越大，越是能得到全局最优解，但 与此同时在时间消耗方面会付出更大的代价。
[0057] 2.选择
[0058] 通过锦标赛选择方法对初始种群个体进行折半选择。又与传统的锦标赛选择算法 有差别，传统锦标赛选择容易降低早期种群