КЛАССИФИКАЦИЯ И АНАЛИЗ ЭВОЛЮЦИОННЫХ МЕТОДОВ КОМПОНОВКИ БЛОКОВ ЭВА

  • Е. В. Данильченко Южный федеральный университет
  • В.И. Данильченко Южный федеральный университет
  • В.М. Курейчик Южный федеральный университет
Ключевые слова: Генетический алгоритм, компоновка блоков ЭВА, методы оптимизации, графы и гиперграфы, эволюционные вычисления

Аннотация

В настоящее время наблюдается большой рост потребности в проектировании и
разработке радиоэлектронных устройств. Это связано с повышающимися требованиями
к радиоэлектронным системам, а также появлением новых поколений полупроводниковых
приборов. В этой связи возникает необходимость в разработке новых средств автомати-
зированного компоновки блоков ЭВА. Перед компоновкой блоков ЭВА существует ряд про-
блем, которые усложняют реальное представление знаний в САПР и вероятно разрешимы
на нынешнем уровне развития когнитивных наук. Проблема стереотипа и проблема огрубления - взаимосвязаны и нуждаются в создании гибридных моделей представления. В ра-
боте рассмотрена проблема решения задачи компоновки блоков ЭВА при проектировании
радиоэлектронной аппаратуры. Цель данной работы заключается в нахождении путей
оптимизации планирования компоновки блоков ЭВА с применением генетического алго-
ритма. Актуальность работы состоит в том, что генетический алгоритм позволяет
повысить качество планирования компоновки. Рассматриваемые алгоритмы позволяют
повысить качество и скорость планирования компоновки. Научная новизна заключается в
поиске и анализе эффективных методов компоновки блоков ЭВА с помощью генетических
алгоритмов. Принципиальное отличие от известных сравнений в анализе новых перспек-
тивных алгоритмов компоновки блоков ЭВА. Результаты работы. В работе указаны не-
достатки традиционных алгоритмов поиска субоптимального плана ЭВА. Приведены опи-
сания современных моделей эволюционных и других вычислений. Генетические алгоритмы
обладают рядом важных преимуществ – это приспособляемость к изменяющейся окру-
жающей среде, при эволюционном подходе есть возможность анализировать, дополнять и
изменять базу знаний в зависимости от изменяющихся условий, а также быстрое созда-
ние оптимальных решений. Если применять генетические алгоритмы и эвристику предва-
рительной обработки, чтобы обеспечить оптимальные начальные решения, то можно
достичь более продуктивного использования алгоритмов. Известные генетические алго-
ритмы быстро сходящиеся, но при этом они теряют разнообразие популяции, что влияет
на снижение качества решения. Для балансировки данных решение выправляют с помощью
эффективных операторов или устойчивой мутацией.

Литература

1. Kureychik V.V., Kureychik V.M., Rodzin S.I. Kontseptsiya evolyutsionnykh vychisleniy,
inspirirovannykh prirodnymi sistemami [Concept of evolutionary computing inspired by natural
systems], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences],
2009, No. 4 (93), pp. 16-24.
2. Danil'chenko V.I., Kureychik V.M. Klassifikatsiya i analiz metodov resheniya zadachi
komponovki EVA [Classification and analysis of methods for solving the problem of EVA
layout], Informatika, vychislitel'naya tekhnika i inzhenernoe obrazovanie [Computer science,
computer engineering and engineering education], 2018, No. 1 (32), pp. 3-23.
3. Tang Maolin and Yao Xin. A memetic algorithm for VLSI floorplanning, IEEE Transactions
on Systems, Man, and Cybernetics–Part B: Cybernetics, 2007, No. 37 (1).
4. Jackuline Moni D. and Arumugam S. and Gracia Nirmala Rani D. VLSI Floor Planning relying
on Differential Evolution Algorithm, ICGST International Journal on Artificial Intelligence
and Machine Learning, 2007, Vol. 7, No. 1, pp. 62-67.
5. Lebedev O.B. Planirovanie EVA na osnove metoda murav'inoy kolonii [EVA planning based
on the ant colony method], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering
Sciences], 2010, No. 7 (108), pp. 67-73.
6. Tsung-Ying Sun, Sheng-Ta Hsieh, Hsiang-Min Wang, Cheng-Wei Lin.Floorplanning based on
particle swarm optimization, ISVLSI '06 Proceedings of the IEEE Computer Society Annual
Symposium on Emerging VLSI Technologies and Architectures, 2006, pp. 5-10.
7. Zhiqiang Yang, Jimin Zhang, Zhongchao Chen, Baoan Zhang. Semi-active control of highspeed
trains based on fuzzy PID control, Procedia Engineering, 2011, Vol. 15, pp. 521-525.
8. Mann G.K.I., Gosine R.G. Three-dimensional min–max-gravity based fuzzy PID inference
analysis and tuning, Fuzzy Sets and Systems, 2005, Vol. 156, pp. 300-323.
9. Wu Y., Jiang H., Zou M. The Research on Fuzzy PID Control of the Permanent Magnet Linear
Synchronous Motor // Physics Procedia. – 2012. – Vol. 24. – P. 1311-1318.
10. Abbasi E., Mahjoob M.J., Yazdanpanah R. Controlling of Quadrotor UAV Using a Fuzzy System
for Tuning the PID Gains in Hovering Mode, Fourth International Conference on Advances
in Computer Engineering – ACE 2013. Frankfurt, Germany, 2013. Int. j. adv. ro-bot.
syst., 2013, Vol. 10, 380:2013.
11. Kai Ou, Ya-Xiong Wang, Zhen-Zhe Li, Yun-De Shen, Dong-Ji Xuan. Feedforward fuzzy-PID
control for air flow regulation of PEM fuel cell system, International journal of hydrogen energy,
21 September 2015, Vol. 40, Issue 35, pp. 11686-11695.
12. Ahmet Karli, Vasfi Emre Omurlu, Utku Buyuksahin, Remzi Artar, Ender Ortak. Self tuning
fuzzy PD application on TI TMS320F 28335 for an experimental stationary quadrotor.
Available at: http://ieeexplore.ieee.org/document/6151404/ (accessed 23 April 2017).
13. Hamed Beirami, Ali ZargarShabestari, Mohammad Mahdi Zerafat. Optimal PID plus fuzzy
controller design for a PEM fuel cell air feed system using the self-adaptive differential evolution
algorithm, International journal of hydrogen energy, 10 August 2015, Vol. 40, Issue 30,
pp. 9422-9434.
14. Jahedi G., Ardehali M.M. Genetic algorithm-based fuzzy-PID control methodologies for enhancement
of energy efficiency of a dynamic energy system, Energy Conversion and Management,
2011, Vol. 52, pp. 725-732.
15. Lebedev B.K., Lebedev V.B. Planirovanie na osnove roevogo intellekta i geneticheskoy
evolyutsii [Planning based on swarm intelligence and genetic evolution], Izvestiya YuFU.
Tekhnicheskienauki [Izvestiya SFedU. Engineering Sciences], 2009, No. 4 (93), pp. 25-33.
16. Kuliev E.V. Zadacha razmeshcheniya elementov EVA s ispol'zovaniem geneticheskogo
algoritma i algoritma pchelinoy kolonii [The problem of placing EVA elements using a genetic
algorithm and the algorithm of a bee colony], Tr. kongressa po intellektual'nym sistemam i
informatsionnym tekhnologiyam «IS–IT’12» [Proceedings of the Congress on intelligent systems
and information technologies "IS-IT'12"]. Scientific publication in 4 vols. Vol. 3. Moscow:
Fizmatlit, 2012, pp. 99-104.
17. Krishchuk V.N., Karpov L.M., Shilo G.N., Faramonov A.Yu., Artyushenko B.A. Primenenie
geneticheskogo algoritma v zadachakh dopuskovogo sinteza mikropoloskovykh ustroystv
[Application of the genetic algorithm in the problems of tolerance synthesis of microstrip devices],
Tekhnika sverkhvysokikh chastot [Ultrahigh frequency technology]. Kiev: Nauchnoe
izdanie NPP «Saturn», 2007, pp. 29-32.
18. Krishchuk V.N., Shilo G.N., Artyushenko B.A. Geneticheskiy algoritm naznacheniya
interval'nykh dopuskov [Genetic algorithm for assigning interval tolerances], Vserossiyskoe
soveshchanie po interval'nomu analizu i ego prilozheniyam [All-Russian meeting on interval
analysis and its applications]. Petergof, Rossiya, 2006, pp. 5-8.
19. Kalent'ev A.A., Garays D.V., Dobush I.M., Babak L.I. Strukturno-parametricheskiy sintez
SVCH-tranzistornykh usiliteley na osnove geneticheskogo algoritma s ispol'zovaniem
modeley monolitnykh elementov [Structural-parametric synthesis of microwave transistor amplifiers
based on a genetic algorithm using models of monolithic elements], Doklady TUSURa
[Reports Of TUSUR], 2012, Vol. 26, No. 2, pp. 104-112.
20. Abrie P.L.D. Design of RF and microwave amplifiers and oscillators. London; Boston: Artech
House, 2000, 480 p.
Опубликован
2020-07-20
Выпуск
Раздел
РАЗДЕЛ III. ЭВОЛЮЦИОННОЕ МОДЕЛИРОВАНИЕ