AD软件repeat功能实践详解

1/什么是repeat功能?

AD在进行原理图设计过程中,经常会遇到需要多次使用同一模块或子原理图,若是调用一两次还可以用“复制粘贴大法”进行处理,但是需要调用的次数较多时“复制粘贴大法”就显得繁琐。这是repeat功能可以协助解决该问题。

2/以下以AD20软件进行实践操作详解每一步骤~

2-1/原理图设计:将各功能原理图画好,这里我画了两张原理图如下图1和图2:

图1

图2

这里需要注意的点:节点标识需要使用“端口”这种网络标识符,即这种

 细心的伙伴可以发现图一器件名称的旁边有类似水印的标识,如(C1A,...),该情况时repeat后的特征,我们在下面会再讲到。

2-2/在以上画好原理图后,再创建一张父图纸(也叫顶图纸),其作用是将子图纸之间的联系在一张图纸中体现出来,类似于框图的功能。这里我创建了一张空白父图纸,即

2-3/在空白父图纸中导入子图纸,操作步骤如下图3和图4:

 图3

接着选择需要放到父图纸的子图纸,这里我选择1.SchDoc和3.SchDoc两张子图纸导入父图纸,导入后如图5:

 图5

2-4/关键的一步来了:repeat的使用。假如此时我需要调用1.SchDoc3次,可使用语句            repeat(sheet名称,1,复制的数量),其中“sheet名称”是子图纸的名称(这里分享一点经验:如我的1.SchDoc子图纸的sheet名称是“1”,按要求在repeat里面的sheet名称应该写“1”,但是实际是可以不按照要求来的,如我可以在这里写a,写b,都不影响复制数量,但会影响PCB里面room的名称,这个大家可以自己尝试改变,然后观察有什么变化)。(sheet名称,1,复制的数量)里面的“1”可以理解为固定格式,可以不管(但是不能写0,必须大于等于1),“复制的数量”即你要把子图纸复制多少份,操作如下:

双击1.SchDoc(绿色框),出现下图6: 

图6

修改图6红色框内的U_1为:repeat(a,1,3),即将1.SchDoc复制3份,复制后如下图7:

图7

2-5/注意,所有子图纸的公共网络是按照正常的方式连接的,此时图表符的图纸入口名称不用修改;而子图纸都有的但又是各自独立的网络则是以总线方式引出,总线中的每一条线连接一个子图纸,此时图表符的图纸入口需修改为Repeat(端口名)。这一段话怎么理解呢?我用图8和图9来表示:

 图8

图8的这种连接方式,表示我的3张复制的图纸的aa端口都是连接在一起的。

 图9

图9的这种连接方式,表示我的3张复制的图纸的aa端口是分开的,分别连接到3个不同的地方。这种连接方式必须先将端口repeat(这里是repeat(aa)),再用线从端口连接出来,做好网络标签(这里是aa),接着画总线,做好网络标签(这里是aa[1..3]),总线的网络标签的名称要和端口名称一致[1..3]表示有3个子网络;接着是在总线上加总线入口,并在总线入口处画线和加网络便签(这里是aa1/aa2/aa3)。

2-10整体的父图纸画好后,如下图10

图10

2-11原理图编译没问题后导入PCB,结果如下图11:

可以发现,使用repeat功能可以快速复制模块,减少设计时间,提高效率。

 

 

 

 

  • 8
    点赞
  • 50
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
逐句解释下列代码: %% 蛙跳算法全局参数设置 FROG_NUM=20; % 青蛙种群的个体数目 GROUP_NUM = 4; % 青蛙种群的分组个数 FROG_IN_GROUP = 5; % 组内青蛙个数 MAX_ITERATION_NUM = 1000; % 最大迭代次数 CHARACTER_NUM = length(traind(1,:)); % 初始特征集的总维度 % SUBCHARACTER_NUM = 5; % REPET_NUM = 100; # 重复次数,如果加上这个参数,将停止条件增加为结果重复REPET_NUM停止迭代 tic; %% 蛙跳算法初始化 %---------init------------% for i=1:FROG_NUM a=randperm(CHARACTER_NUM); allfrog(i).pos=a(1:SUBCHARACTER_NUM); allfrog(i).eva=evaluation(traind,label,allfrog(i).pos); end %----------sort-----------% [evatemp,index]=sort([allfrog.eva],'descend'); %% 迭代寻优 count=1; iter=1; eva = []; while iter<MAX_ITERATION_NUM+1 % while count<REPET_NUM %----------group----------% k=1; for j=1:FROG_IN_GROUP for i=1:GROUP_NUM grouped(i,j)=allfrog(index(k)); k=k+1; end end %---------find_max--------% global_max=allfrog(index(1)); for i=1:GROUP_NUM max_in_group(i)=grouped(i,1); min_in_group(i)=grouped(i,FROG_IN_GROUP); end %----------update------------% for i=1:GROUP_NUM frogtemp=min_in_group(i); frogtemp.pos=updated(frogtemp.pos,max_in_group(i).pos); frogtemp.eva=evaluation(traind,label,frogtemp.pos); if frogtemp.eva>min_in_group(i).eva grouped(i,FROG_IN_GROUP)=frogtemp; else frogtemp=min_in_group(i); frogtemp.pos=updated(frogtemp.pos,global_max.pos); frogtemp.eva=evaluation(traind,label,frogtemp.pos); if frogtemp.eva>min_in_group(i).eva grouped(i,FROG_IN_GROUP)=frogtemp; else a=randperm(CHARACTER_NUM); frogtemp.pos=a(1:SUBCHARACTER_NUM); frogtemp.eva=evaluation(traind,label,frogtemp.pos); grouped(i,FROG_IN_GROUP)=frogtemp; end end end %--------------混洗---------------% k=1; for i=1:FROG_IN_GROUP for j=1:GROUP_NUM allfrog(k)=grouped(j,i); k=k+1; end end eva = [eva global_max.eva]; iter=iter+1; [evatemp,index]=sort([allfrog.eva],'descend'); global_max_new=allfrog(index(1)); if global_max_new.eva>global_max.eva count=0; else count=count+1; end % end end % fprintf('iteration:%d\n',iter); % global_max=allfrog(index(1)); % fprintf('global_max.eva:%f\n',global_max.eva); % fprintf('global_max.pos:'); % fprintf('%d\t',global_max.pos); % fprintf('\n'); t = toc; end
05-15
这是一段 MATLAB 代码,实现了蛙跳算法。以下是每行代码的解释: - FROG_NUM=20;:定义青蛙种群的个体数目为20。 - GROUP_NUM = 4;:定义青蛙种群的分组个数为4。 - FROG_IN_GROUP = 5;:定义每个分组中的青蛙个数为5。 - MAX_ITERATION_NUM = 1000;:定义最大迭代次数为1000。 - CHARACTER_NUM = length(traind(1,:));:计算初始特征集的总维度。 - tic;:开始计时。 - for i=1:FROG_NUM:对种群中的每个青蛙进行循环。 - a=randperm(CHARACTER_NUM);:生成随机排列,代表青蛙的特征集。 - allfrog(i).pos=a(1:SUBCHARACTER_NUM);:将青蛙的特征集的前5个特征作为该青蛙的特征集。 - allfrog(i).eva=evaluation(traind,label,allfrog(i).pos);:计算该青蛙的适应度值。 - [evatemp,index]=sort([allfrog.eva],'descend');:根据适应度值对所有青蛙进行排序。 - while iter<MAX_ITERATION_NUM+1:进行迭代,直到达到最大迭代次数。 - for j=1:FROG_IN_GROUP for i=1:GROUP_NUM grouped(i,j)=allfrog(index(k)); k=k+1; end end:将青蛙分组,每个分组里有5只青蛙,共4个分组。 - global_max=allfrog(index(1));:将适应度值最高的青蛙作为全局最优解。 - for i=1:GROUP_NUM max_in_group(i)=grouped(i,1); min_in_group(i)=grouped(i,FROG_IN_GROUP); end:找到每个分组中适应度值最高的青蛙和适应度值最低的青蛙。 - frogtemp=min_in_group(i); frogtemp.pos=updated(frogtemp.pos,max_in_group(i).pos); frogtemp.eva=evaluation(traind,label,frogtemp.pos);:对于每个分组中的适应度值最低的青蛙,将其特征集更新为该分组中适应度值最高的青蛙的特征集,并重新计算其适应度值。 - if frogtemp.eva>min_in_group(i).eva grouped(i,FROG_IN_GROUP)=frogtemp;:如果更新后的适应度值大于原来的适应度值,则将该青蛙替换为更新后的青蛙。 - else frogtemp=min_in_group(i); frogtemp.pos=updated(frogtemp.pos,global_max.pos); frogtemp.eva=evaluation(traind,label,frogtemp.pos);:如果更新后的适应度值小于等于原来的适应度值,则将该青蛙的特征集更新为全局最优解的特征集,并重新计算其适应度值。 - if frogtemp.eva>min_in_group(i).eva grouped(i,FROG_IN_GROUP)=frogtemp; else a=randperm(CHARACTER_NUM); frogtemp.pos=a(1:SUBCHARACTER_NUM); frogtemp.eva=evaluation(traind,label,frogtemp.pos); grouped(i,FROG_IN_GROUP)=frogtemp; end:如果更新后的适应度值仍然小于等于原来的适应度值,则随机生成一个新的特征集,并重新计算其适应度值。 - for i=1:FROG_IN_GROUP for j=1:GROUP_NUM allfrog(k)=grouped(j,i); k=k+1; end end:将每个分组中的青蛙重新混洗。 - eva = [eva global_max.eva]; iter=iter+1; [evatemp,index]=sort([allfrog.eva],'descend'); global_max_new=allfrog(index(1));:将全局最优解的适应度值添加到eva数组中,并更新全局最优解。 - if global_max_new.eva>global_max.eva count=0; else count=count+1; end:如果新的全局最优解的适应度值大于原来的全局最优解的适应度值,则将count重置为0;否则将count加1。 - t = toc;:计算程序的运行时间。 - end:结束while循环。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值