РЕШЕНИЕ ЗАДАЧИ РАЗМЕЩЕНИЯ ЭЛЕМЕНТОВ ЭВА НА ОСНОВЕ ИНТЕГРАЦИИ МЕТОДОВ ЭВОЛЮЦИОННОГО ПОИСКА И НЕЧЕТКОГО УПРАВЛЕНИЯ

  • Джаббар Ясир Ясир Муханад Южный федеральный университет
  • Л.А. Гладков Южный федеральный университет
  • Н. В. Гладкова Южный федеральный университет
Ключевые слова: Автоматизация проектирования, задача размещения элементов ЭВА, биоинспирированные алгоритмы, гибридные методы, параллельные генетические алгоритмы, нечеткое управление

Аннотация

Рассматривается задача размещения элементов электронно-вычислительной аппарату-
ры (ЭВА). Проведен анализ современного состояния исследований по данной теме, отмечена
актуальность рассматриваемой задачи. Подчеркнута важность разработки новых эффек-
тивных методов решения задач конструкторского проектирования. Отмечена перспектив-
ность разработки и использования гибридных подходов и моделей для решения сложных слабо-
формализованных задач проектирования и оптимизации. Приведена постановка задачи разме-
щения элементов схем ЭВА. Отмечена важность качественного решения задачи размещения с
точки зрения успешного выполнения последующих этапов проектирования. Проведен анализ
различных подходов и алгоритмов решения задачи размещения. Приведены варианты выбора
различных критериев оценки качества размещения. Предложен комплексный аддитивный кри-
терий для оценки качества размещения. Приведена целевая функция и ограничения рассматри-
ваемой задачи размещения как задачи оптимизации. Предложен гибридный подход к решению
задачи размещения. Для повышения эффективности и сокращения времени работы алгоритма,
предложена модель параллельного многопопуляционного генетического алгоритма. Для синхро-
низации эволюционных процессов в многопопуляционном генетическом алгоритме разработан
модифицированный оператор миграции. Выполнен анализ эффективности работы предложен-
ного оператора миграции и сформулированы рекомендации по его использованию. С целью уве-
личения быстродействия алгоритма решения задачи размещения предложена модель организа-
ции параллельных эволюционных вычислений за счёт использования многопоточности на ло-
кальном уровне. Описаны принципы работы модуля нечеткого управления. Описана процедура
логического вывода с использованием базы правил. Предложена структура многослойной ней-
ронной сети, реализующей функцию Гаусса. Предложена модель нечеткого логического кон-
троллера для динамического изменения значений управляющих параметров генетического алго-
ритма. Определены управляющие параметры нечеткого логического контроллера. Предлагае-
мый гибридный алгоритм реализован в виде прикладной программы. Были проведены серии вы-
числительных экспериментов для определения эффективности разработанного алгоритма и
выбора оптимальных значений управляющих параметров.

Литература

1. Shervani N. Algorithms for VLSI physical design automation. USA, Kluwer Academy Publisher,
1995.
2. Charles J. Alpert, Dinesh P. Mehta, Sachin S. Sapatnekar. Handbook of algorithms for physical
design automation. CRC Press, New York, USA, 2009.
3. Gladkov L.A., Kureychik V.M., Kureychik V.V., Sorokoletov P.V. Bioinspirirovannye metody v
optimizatsii [Bioinspired methods in optimization]. Moscow: Fizmatlit, 2009.
4. Karpenko A.P. Sovremennye algoritmy poiskovoy optimizatsii. Algoritmy, vdokhnovlennye
prirodoy [Modern search engine optimization algorithms. Algorithms inspired by nature].
Moscow: Izd-vo MGTU im. Baumana, 2016.
5. Cohoon J.P., Karro J., Lienig J. Evolutionary Algorithms for the Physical Design of VLSI
Circuits. Advances in Evolutionary Computing: Theory and Applications, Ghosh, A., Tsutsui,
S. (eds.). Springer Verlag, London, 2003, pp. 683-712.
6. Gladkov L.A. O nekotorykh podkhodakh k postroeniyu gibridnykh intellektual'nykh sistem
dlya resheniya grafovykh zadach [About some approaches to the construction of hybrid intelligent
systems for solving graph problems], Novosti iskusstvennogo intellekta [Artificial Intelligence
News], 2000, No. 3, pp. 71-90.
7. Alba E., Tomassini M. Parallelism and evolutionary algorithms, IEEE T. Evolut. Comput.,
2002, Vol. 6, pp. 443-461.
8. Zhongyang X., Zhang Y., Zhang L., Niu S. A parallel classification algorithm based on hybrid
genetic algorithm, Proc. of the 6th World Congress on Intelligent Control and Automation,
Dalian, China, 2006, pp. 3237-3240.
9. Gladkov L.A., Kureychik V.V., Kureychik V.M. Geneticheskie algoritmy [Genetic algorithms].
Moscow: Fizmatlit, 2010.
10. Red'ko V.G. Modelirovanie kognitivnoy evolyutsii. Na puti k teorii evolyutsionnogo
proiskhozhdeniya myshleniya [Modeling cognitive evolution. On the way to the theory of the
evolutionary origin of thinking]. Moscow: Izd-vo URSS, 2015.
11. Kar А.K. Bio Inspired Computing - A Review of Algorithms and Scope of Applications, Expert
Systems with Applications, 2016, Vol. 59, pp. 20-32.
12. Baqais A.A.B. A Multi-view Comparison of Various Metaheuristic and Soft Computing Algorithms,
I.J. Mathematical Sciences and Computing, 2017, Vol. l.3 (4), pp. 8-19.
13. Roy S., Biswas S., Chaudhuri S.S. Nature-Inspired Swarm Intelligence and Its Applications,
I.J. Modern Education and Computer Science, 2014, No. 12, pp. 55-65.
14. Nature-Inspired Computation and Swarm Intelligence: Algorithms, Theory and Applications. –
Academic Press, 2020. ISBN 978-0-12-819714-1. Available at: https://doi.org/10.1016/C2019-
0-00628-0.
15. Michael A., Takagi H. Dynamic control of genetic algorithms using fuzzy logic techniques,
Proc. of the 5th International Conference on Genetic Algorithms. Morgan Kaufmann, 1993,
pp. 76-83.
16. Herrera F., Lozano M. Adaptation of genetic algorithm parameters based on fuzzy logic controllers,
In: F. Herrera, J.L. Verdegay (eds.), Genetic Algorithms and Soft Computing. Physica-
Verlag, Heidelberg, 1996, pp. 95-124.
17. Herrera F., Lozano M. Fuzzy Adaptive Genetic Algorithms: design, taxonomy, and future
directions, Soft Computing. Springer-Verlag, 2003, No. 7, pp. 545-562.
18. Nechetkie gibridnye sistemy. Teoriya i praktika [Fuzzy hybrid systems. Theory and practice],
ed. by N.G. YArushkinoy. Moscow: Fizmatlit, 2007.
19. Yarushkina N.G. Osnovy teorii nechetkikh i gibridnykh system [Fundamentals of the theory of
fuzzy and hybrid systems]. Moscow: Finansy i stati-stika, 2004.
20. Borisov V.V., Kruglov V.V., Fedulov A.S. Nechetkie modeli i seti [Fuzzy models and networks].
Moscow: Goryachaya liniya – Telekom, 2007.
21. Rutkovskaya D., Pilin'skiy M., Rutkovskiy L. Neyronnye seti, geneticheskie algoritmy i
nechechetkie sistemy [Neural networks, genetic algorithms and non-discrete systems]. Moscow:
Goryachaya liniya-Telekom, 2004.
22. Gladkov L.A., Gladkova N.V., Gusev N.Y., Semushina N.S. Integrated approach to the solution
of computer-aided design problems, Proceedings of the 4th International Scientific Conference
“Intelligent Information Technologies for Industry” (IITI’19). Advances in Intelligent Systems
and Computing. Springer, Cham, 2020, Vol. 1156, pp. 465-476.
23. Gladkov L.A., Gladkova N.V., Leiba S.N., Strakhov N.E. Development and research of the
hybrid approach to the solution of optimization design problems, Advances in Intelligent Systems
and Computing. Vol. 875. International Conference on Intelligent Information Technologies
for Industry IITI'18. Springer Nature Switzerland AG, 2019, Vol. 2, pp. 246-257.
24. Library Exchange Format. University of Maryland, Baltimore County, 2011.
25. Qt Documentation. Available at: http://doc.qt.io/qt-5/reference-overview.html.
Опубликован
2022-12-27
Выпуск
Раздел
РАЗДЕЛ I. МОДЕЛИ И МЕТОДЫ ОБРАБОТКИ ИНФОРМАЦИИ