مقایسه عملکرد روش‌های بهینه‌سازی هوش جمعی در طراحی یک فلیپ‌فلاپ مبتنی ‌بر تقویت‌کننده حسی

کارآیی روش‌های بهینه‌سازی چندهدفه به‌خصوص روش‌های مبتنی ‌بر هوش جمعی سبب شده است پژوهشگران به‌منظور حل مسائل پیچیده مهندسی با اهداف چندگانه 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 چندهدفه الگوریتم‌های mopso، mogwo، nsgsa، mogoa، moipo، momipo و moalo)، از آنها برای طراحی بهینه یک فلیپ‌فلاپ مبتنی‌ بر تقویت‌کننده حسی (saff) با استفاده از تکنولوژی  coms0.18 میکرومتر بهره گرفته است. در این مقاله، مقادیر پهنای کانال ترانزیستورهای مدار به‌عنوان متغیرهای طراحی و مقادیر توان ‌متوسط کل و تاخیر به‌عنوان مقادیر برازندگی دو تابع هدف در قالب مسئله بهینه‌سازی چندهدفه با استفاده از الگوریتم‌های بهینه‌سازی هوشمند مبتنی ‌بر هوش جمعی برای دستیابی به مقادیر مطلوب حاصل‌ضرب توان تاخیر (pdp) تخمین و بهینه‌سازی می‌شوند. با مقایسه نتایج به‌دست‌آمده برای کلیه روش‌های بهینه‌سازی چندهدفه 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، تاخیر 95.4 پیکوثانیه و pdp 2.29 فمتوژول به دست آمد که بیان‌کننده مصالحه‌ای مطلوب میان مقادیر توان و تاخیر است.

Comparing the Performance of Novel Swarm Intelligence Optimization Methods for Optimal Design of the Sense Amplifierbased FlipFlops

The effectiveness of multiobjective 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 multiobjective heuristic methods based on Swarm Intelligence (including multiobjective versions of MOPSO, MOGWO, NSGSA, MOGOA, MOIPO, MOMIPO, and MOALO algorithms), and used them for optimal design of the Sense Amplifierbased FlipFlop (SAFF) using 0.18µm 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 multiobjective optimization problem using intelligent optimization algorithm based on Swarm Intelligence assumption in order to achieve the desired values of powerdelay product (PDP). Comparing the results obtained for all of the above multiobjective optimization methods, the MultiObjective Grasshopper Optimization Algorithm (MOGOA) performed better. This method was able to perform very well in the statistical indices of fitness and multiobjective optimization criteria in comparison with other methods. It creates an appropriate tradeoff between conflicting objective functions with average power of 24 µW, delay of 95.4 ps and PDP of 2.29 fJ.