РАЗРАБОТКА МОДИФИЦИРАВАННЫХ МЕТОДОВ И МОДЕЛЕЙ ПОИСКОВОЙ АДАПТАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ПЛАНИРОВАНИЯ СБИС

  • О.Б. Лебедев Южный федеральный университет
  • А.А. Жиглатый Южный федеральный университет
  • Е.О. Лебедева Южный федеральный университет
Ключевые слова: Планирование СБИС, роевой интеллект, оптимизация, муравьиный алгоритм, адаптивное поведение

Аннотация

В работе для решения задачи планирования СБИС разработан поисковый алгоритм
на основе модифицированного метода муравьиной колонии. Задача формирования плана
СБИС сводится к задаче формирования соответствующего польского выражения. Разра-
ботанный метод синтеза польского выражения включает построение дерева разрезов,
выбор типов разрезов (H или V), идентификацию и ориентацию модулей. Эволюционирую-
щая популяция разбита на пары агентов. Каждый член популяции – пара агентов, рабо-
тающих совместно. При этом конструктивные алгоритмы A1 и A2, используемые аген-
тами пары различаются. Задача, решаемая алгоритмом А1, формулируется как задача
поиска взаимно однозначного отображения Fk=M*→P множества модулей M c выбранны-
ми ориентациями, |M*|=|M| в множество P позиций шаблона Sh. Фактически решение за-
ключается в выборе на графе G1 подмножества ребер E*1E1, входящих в соответствующее отображение Fk. В алгоритме A2 в качестве модели пространства поиска реше-
ний для выбора типа, последовательности и места расположения разрезов в шаблоне Sh
разработан граф G2=(X, E2). X={(x1i,x2i)|i=1,2,…,n} множество вершин графа G2, соот-
ветствует множеству P потенциальных позиций шаблона Sh для возможного размещения
в них имен символов разрезов. Каждая потенциальная позиция piP шаблона Sh моделиру-
ется двумя альтернативными вершинами (x1i,x2i). Выбор при размещении разрезов верши-
ны x1i указывает на то, что в позицию pi помещен разрез типа V, выбор вершины x2i – ука-
зывает на то, что в позицию pi помещен разрез типа H. Каждая итерация l общего алго-
ритма включает начальный и три основных этапа. Начальный этап заключается в сле-
дующем. Обнуляются матрицы ко-эволюционной памяти КЭП*1 и КЭП*2. На первом этапе
каждая пара агентов dk=(a1k, a2k): – конструктивными алгоритмами A1 и A2 синтезирует
свое решение Wk=(E1k
*,Sk); – формируется польское выражение Shk, соответствующее
решению Wk; – на базе Shk формируется дерево разрезов Tk; – на базе Tk формируется план
Rk и рассчитывается оценка решения Fk; – агенты откладывают (добавляют) феромон в
ячейки матриц коллективной эволюционной памяти КЭП*1 и КЭП*2, соответствующие
ребрам решения Wk=(E1k
*,Sk) в графах поиска решений G1 и G2 в количестве пропорциональном оценке решения Fk. На втором этапе феромон, накопленный в КЭП*1 и КЭП*2
агентами популяции на итерации l, добавляется в КЭП1 и КЭП2. На третьем этапе осу-
ществляется испарение феромона на ребрах графов G1 и G2. Тестовые испытания под-
твердили эффективность предложенного метода. Временная сложность алгоритма, по-
лученная экспериментальным путем, совпадает с теоретическими исследованиями и для
рассмотренных тестовых задач составляет О(n2).

Литература

1. Kureychik V.M., Lebedev B.K., Lebedev V.B. Planirovanie sverkhbol'shikh integral'nykh
skhem na osnove integratsii modeley adaptivnogo poiska [Planning of very large-scale integrated
circuits based on the integration of adaptive search models], Izvestiya RAN. Teoriya i
sistemy upravleniya [News RAS. Theory and Control Systems], 2013, No. 1, pp. 84-101.
2. Norenkov I.P. Osnovy avtomatizirovannogo proektirovaniya: uchebnik [Basics of computeraided
design: textbook]. Moscow: Izd-vo MGTU imeni N.E. Baumana, 2006, 336 p.
3. Kureichik V.M., Lebedev B.K., Lebedev O.B. Hybrid evolutionary algorithm of planning VLSI,
Proceedings of the 12th Annual Genetic and Evolutionary Computation Conference. Portland,
2010, pp. 821-822.
4. Pritha B., Megha S., Susmita S.-K. Floorplanning for Partially Reconfigurable FPGAs, IEEE
Trans. Comput.-Aided Des. Integr. Circuits Sys., 2011, No. 1, pp. 8-17.
5. Karpenko A.P. Sovremennye algoritmy poiskovoy optimizatsii. Algoritmy, vdokhnovlennye
prirodoy: ucheb. posobie [Modern search engine optimization algorithms. Algorithms inspired
by nature: textbook]. Moscow: Izd-vo MGTU im. N.E. Baumana, 2014, 448 p.
6. Lebedev O.B. Modeli adaptivnogo povedeniya murav'inoy kolonii v zadachakh
proektirovaniya [Models of adaptive behavior of an ant colony in design problems]. Taganrog.
Izd-vo YuFU, 2013, 199 p.
7. Lebedev B.K., Lebedev O.B., Lebedev V.B. Gibridizatsiya roevogo intellekta i geneticheskoy
evolyutsii na primere razmeshcheniya [Hybridization of swarm intelligence and genetic evolution
on the example of placement], Elektronnyy zhurnal “Programmnye produkty, sistemy i
algoritmy» [Electronic journal “Software products, systems and algorithms”]. Tver': Izd-vo
«TSentrprogrammsistem», 201, No. 4.
8. Lebedev O.B. Planirovanie SBIS na osnove metoda murav'inoy kolonii [VLSI planning based
on the ant colony method], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering
Sciences], 2010, No. 7, pp. 67-73.
9. Mourelle M. Swarm intelligent systems. Berlin: Heidelberg: Springer Verlag, 2006, 217 p.
10. Qi L. et al. Simulated annealing based thermal-aware floor planning, International Conference
on Electronics, Communications and Control, 2011, pp. 463-466.
11. Lebedev B.K., Lebedev O.B. Bioinspirirovannye metody planirovaniya kristalla SBIS
[Bioinspired methods of VLSI crystal planning], Tr. VI Vserossiyskoy nauchno-tekhnicheskoy
konferentsii «Problemy razrabotki perspektivnykh mikro- i nanoelektronnykh sistem». Sborniktrudov [Proceedings of the VI All-Russian scientific and technical conference «Problems of
the development of promising micro- and nanoelectronic systems». Collection of works].
Moscow: IPPM RAN, 2012, pp. 171-176.
12. Eroshenko I.N. Razrabotka geneticheskogo algoritma klasternogo planirovaniya SBIS //
Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2010, No. 7,
pp. 54-60.
13. Sherwani N.A. Algorithms for VLSI Physical Design Automation. Third Edition, Kluwer Academic
Publisher. USA: 2013, 572 p.
14. Potti S., Pothiraj S. GPGPU Implementation of Parallel Memetic Algorithm for VLSI
Floorplanning Problem, Trends in Computer Science, Engineering and Information Technology,
Communications in Computer and Information Science, 2011, pp. 432-441.
15. Eroshenko I.N. Metody adaptatsii geneticheskikh algoritmov k zadache planirovaniya SBIS
[Methods for adapting genetic algorithms to the VLSI planning problem], Tr. kongressa po
intellektual'nym sistemam i informatsionnym tekhnologiyam «IS-IT’11» [Proceedings of the
Congress on Intelligent Systems and Information Technologies «IS-IT'11»]. Moscow:
Fizmatlit, 2011, pp. 138-145.
16. Chen J., Zhu W. A hybrid genetic algorithm for VLSI floorplanning, IEEE International Conference
on Intelligent Computing and Intelligent Systems, 2010, pp. 128-132.
17. Cong J., Nataneli G., Romesis M., Shinnerl J. An Area-Optimality Study of Floorplanning, Proceeding
of the International Symposium on Physical Design. Phoenix, AZ, 2004, pp. 78-88.
18. Cong J., Romesis M., Xie M. UCLA Optimality Study Project. Available: http://cadlab.cs.ucla.
edu/ ~pubbench. 2004.
19. MCNC Electronic and Information Technologies (Online). Available: www.mcnc.org.
20. hMetis [Online]. Available: http://www-users.cs.umn.edu/karypis/metis/hmet300. HB Floorplan
Benchmarks [Online]. Available: http://cadlab.cs.ucla.edu/ cpmo/HBsuite.html.
21. IBM-PLACE 2.0 benchmark suits [http://er.cs.ucla.edu/benchmarks/-ibm-place2/bookshelf/ ibmplace2-
all-bookshelf-nopad.tar.gz].
22. Adya S.N. ISPD02 IBM-MS Mixed-size Placement Benchmarks [http://vlsicad.eecs.umich.
edu/BK/ISPD02bench/].
Опубликован
2021-12-24
Выпуск
Раздел
РАЗДЕЛ II. АЛГОРИТМЫ ОБРАБОТКИ ИНФОРМАЦИИ