.png){kind=icon}
返回
A constrained multi-objective coevolutionary algorithm with adaptive operator selection for efficient test scheduling in interposer-based 2.5D ICs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102085.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基板式2.5维集成电路（2.5D ICs）已作为一种有前景的解决方案，用于解决现代半导体设计中的线延迟和功耗挑战。然而，2.5D ICs日益增长的复杂性和密度引入了关键测试调度挑战，现有方法无法在满足严格功耗和时长约束的同时有效优化硬件成本和测试时间。为克服这些局限性，本文将2.5D ICs的测试调度问题建模为约束多目标优化问题（CMOP），并提出了一种具有自适应算子选择的约束多目标协同进化算法（称为AOSCEA）。该算法引入了一种基于双染色体的编码方法，与基于匹配层级的解码策略相结合，以有效将离散调度问题映射到连续进化算法框架中，实现搜索空间的高效探索。算法中集成了协同进化机制，包含两个种群：一个解决CMOP的主种群和一个忽略约束以增强探索的辅助种群。此外，为提升算法在不同测试调度问题上的通用性，AOSCEA采用两个深度Q网络，在优化过程中自适应地为主种群选择遗传算子和约束处理技术。在具有不同规模的2.5D ICs各种测试调度实例上的广泛实验表明，AOSCEA在解质量、收敛速度和鲁棒性方面优于几种最先进的算法。
Keyword:
2.5D ICs
test scheduling
multi-objective optimization
coevolutionary algorithm
adaptive operator selection
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
Post-bond testing of 2.5D-SICs and 3D-SICs containing a passive silicon interposer base包含被动硅中介层基板的2.5D-SICs和3D-SICs的键合后测试
.png){kind=icon}
PREAI
分享收藏Distribution Optimization of Through-Silicon Via (TSV) Array Based on Genetic Algorithm基于遗传算法的硅通孔（TSV）阵列分布优化
PREAI
分享收藏Prebond Testing and Test-Path Design for the Silicon Interposer in 2.5-D ICs预粘接测试与测试路径设计在2.5-D IC中的硅中介层
PREAI
分享收藏PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
OAAI分享收藏
查看更多内容