مقایسة عملکرد روش‌های بهینه‌سازی هوش جمعی در طراحی یک فلیپ‌فلاپ مبتنی ‌بر تقویت‌کنندة حسی

Abstract

کارآیی روش‌های بهینه‌سازی چندهدفه به‌خصوص روش‌های مبتنی ‌بر هوش جمعی سبب شده است پژوهشگران به‌منظور حل مسائل پیچیدة مهندسی با اهداف چندگانة متناقض به‌صورت چشمگیری به استفاده از این روش‌ها گرایش پیدا کنند. این مقاله با هدف ارزیابی عملکرد گونه‌های جدید و قدرتمند روش‌های ابتکاری چندهدفه مبتنی ‌بر هوش جمعی (شامل نسخه‌های چندهدفة الگوریتم‌های MOPSO، MOGWO، NSGSA، MOGOA، MOIPO، MOMIPO و MOALO)، از آنها برای طراحی بهینة یک فلیپ‌فلاپ مبتنی‌ بر تقویت‌کنندة حسی (SAFF) با استفاده از تکنولوژی COMS18/0 میکرومتر بهره گرفته است. در این مقاله، مقادیر پهنای کانال ترانزیستورهای مدار به‌عنوان متغیرهای طراحی و مقادیر توان ‌متوسط کل و تأخیر به‌عنوان مقادیر برازندگی دو تابع هدف در قالب مسئلة بهینه‌سازی چندهدفه با استفاده از الگوریتم‌های بهینه‌سازی هوشمند مبتنی ‌بر هوش جمعی برای دستیابی به مقادیر مطلوب حاصل‌ضرب توان - تأخیر (PDP) تخمین و بهینه‌سازی می‌شوند. با مقایسة نتایج به‌دست‌آمده برای کلیة روش‌های بهینه‌سازی چندهدفة بالا، روش MOGOA از عملکرد بهتری برخوردار بود؛ به‌طوری‌که این روش توانست در شاخص‌های آماری برازندگی‌ها و معیارهای سنجش روش‌های بهینه‌سازی چندهدفه نسبت به سایر روش‌ها کارکرد بسیار مطلوبی را نشان دهد. همچنین، با به‌کارگیری روش MOGOA توان ‌متوسط 24 میکرووات، تأخیر 4/95 پیکوثانیه و PDP 29/2 فمتوژول به دست آمد که بیان‌کنندة مصالحه‌ای مطلوب میان مقادیر توان و تأخیر است. The effectiveness of multi-objective optimization methods, especially the methods based on Swarm Intelligence, has led the researchers to utilize them significantly to solve complex engineering problems with multiple conflicting objectives. This paper aimed at evaluating the performance of new and powerful multi-objective heuristic methods based on Swarm Intelligence (including multi-objective versions of MOPSO, MOGWO, NSGSA, MOGOA, MOIPO, MOMIPO, and MOALO algorithms), and used them for optimal design of the Sense Amplifier-based Flip-Flop (SAFF) using 0.18-µm CMOS technology. In this paper, the channel's width values of the transistors as designing variables, and total average power and delay as the fitness values of the two objective functions were assessed and optimized in terms of multi-objective optimization problem using intelligent optimization algorithm based on Swarm Intelligence assumption in order to achieve the desired values of power-delay product (PDP). Comparing the results obtained for all of the above multi-objective optimization methods, the Multi-Objective Grasshopper Optimization Algorithm (MOGOA) performed better. This method was able to perform very well in the statistical indices of fitness and multi-objective optimization criteria in comparison with other methods. It creates an appropriate trade-off between conflicting objective functions with average power of 24 µW, delay of 95.4 ps and PDP of 2.29 fJ.