半导体器件是集成电路(IC)的最基本组成部分,因此IC的设计和分析很大程度上依赖于半导体参数的准确性。无论一个半导体器件的模型有多么复杂,如果没有行之有效的参数提取方法,那么这个模型的正确性与可操作性也无法得到保证。建立相应的物理模型在半导体技术的发展中是关键的一个环节,并且是分析半导体器件工作状态的有力工具。在半导体器件参数提取中,普遍使用基于导数的优化方法,如简约梯度算法等。这些算法在器件参数数目不是很大的情况下通常能取得较好的结果。随着半导体工艺的发展,器件工艺已经达到深亚微米的量级,半导体器件的各种效应变得越来越复杂。为了模拟这些器件,人们不得不引入越来越多的模型参数。尽管不同的参数提取软件采取了不同的目标函数,但这些目标函数都以参数为自变量。参数越多,意味着参数提取软件中的优化算法必须解决更高维数的数学问题。其结果是达到目标所需要的工作量增加了。更为严重的结果是,许多优化算法,尤其是基于导数搜索的优化,面对待解决的问题也越来越“力不从心”,除非开始时提供了一套比较好的参数初始值,否则,根本就得不到需要的结果。但在参数数目很大时,即使是提供一套参数初始值,提取参数已经成为一件困难的事情。针对此类问题,解决的办法基本上分为两类:降低目标函数的维度和引进新的优化算法。针对前者,在参数提取系统的设计当中,引进了分步提取的策略。对于后者,可以引入与导数无关的优化算法,这就是本文所关注的智能优化算法。当前,智能优化算法在半导体模型参数提取中的应用越来越受到关注。智能优化算法也有人称之为“软算法”,是人们受自然(生物界)规律的启迪,根据其原理,模仿求解问题的算法。从自然界得到启迪,模仿其结构进行发明创造,这就是仿生学。这是我们向自然界学习的一个方面。另一方面,我们还可以利用仿生原理进行设计(包括设计算法),这就是智能计算的思想,如遗传算法(genetic algorithm,GA)、模拟退火算法(simulated annealing,SA)、蚁群算法(ant colony algorithm,ACA)和人工神经网络(artificial neural networks,ANN)粒子群优化算法(particle swarmoptimization,PSO),差分进化算法(differential evolution,DE)及人工免疫算法(artificial immune algorithm,AIA)等。智能优化算法的优点在于:(1)对初始解的选取不敏感。(2)对所要优化的函数形式没有限制。(3)不用进行模型方程的简化,参数提取过程也不需要进行求导等复杂的运算,有很强的通用性。本文所要解决的主要问题是将智能优化算法应用于二极管以及基于二极管的半导体器件,如肖特基二极管,太阳能电池,的参数提取中,根据算法的原理编写相应的程序。我们要解决的另外一方面问题是对算法的原理进行分析并改进其性能。因为算法中的变量设置对算法的收敛有一定的影响。在运算前,需要对算法程序中的变量进行设置,针对不同的问题有不同的变量设置。因此,如何设置算法的变量使得算法程序工作在最佳状态是我们在研究中需要关注的一个问题。再者,我们发现当需要优化的函数非常复杂的时候,特别是多峰函数等存在多个极值的函数,因为算法中随机数的影响,其有一定几率会陷入局部最小,这种情况在GA中尤其常见。因此,对算法原理进行分析并将其改进,以提高算法的收敛性能也是一个关键问题。