半导体器件模型是集成电路(IC)设计者与IC的加工厂(FAB)之间重要的纽带,它的精度直接影响到IC的性能。随着IC的集成度和器件的工作频率逐渐提高,器件模型变得越来越复杂,参数的数量越来越多。这导致了抽取出适合的模型参数变得困难,而模型的参数值是决定模型精度的重要因素。为了抽取适合的模型参数,人们总结出了两大类方法:一类是利用器件的物理电学特性和代数方法的直接提取法;另一类是利用优化算法搜索合适的模型参数。直接提取法虽然简单、直观、解唯一,但随着模型越来越复杂利用直接法提取参数难度变大。相对于直接提取法,利用优化算法抽取模型参数显得相对容易。人们已经将基于梯度下降、牛顿迭代和微分法等算法应用到模型参数的提取中,取得了一些成果。然而,由于算法自身的特性,极易陷入局部最优。随后学者们又将智能算法,如遗传算法(GA),粒子群算法(PSO)等应用于模型参数的抽取。这类算法的应用已经获得了很大的成功,然而这种“仿生”的智能算法又有“早熟”的现象。收敛的速度也受到了一定的限制,为此研究人员对此类算法进行改进来避免“早熟”现象。因此,研究利用智能优化算法提取器件模型参数具有重要的意义。本文针对以上问题以片上螺旋电感为例,深入研究模型参数的提取和优化。首先简单介绍了优化概念以及相关的智能优化算法并结合布谷鸟搜索算法(CS)的特点对其进行改进。利用测试函数对改进算法实验测试,结果表明改进后的算法较GA、PSO以及原始的CS性能得到提高。根据对优化算法的性能研究,决定将改进CS应用到半导体器件模型参数的提取中。然后以片上电感为例介绍了器件建模的流程,并结合改进的算法与模型结构设计自动优化程序。同时,还根据器件模型的特点对模型参数做了参数敏感度分析实验,结合模型参数的敏感度提出模型参数交叉操作,提高收敛速度。此外,为了进一步提高自动优化的速度,对模型参数的优化方向做实验分析,并改进了布谷鸟搜索算法的更新公式。最后将设计的优化器植入到自主研发的模型开发平台。用53个片上螺旋电感的实测数据验证优化器的性能,结果表明:优化的结果符合工程要求。为了验证改进后的算法性能,本文分别用原始的CS和改进的CS对同一个器件进行优化实验,对比两种算法性能结果表明改进后的算法收敛速度得到了提高。