Найти

Результаты поиска

• КЛАССИФИКАЦИЯ И АНАЛИЗ ЭВОЛЮЦИОННЫХ МЕТОДОВ КОМПОНОВКИ БЛОКОВ ЭВА

  Е. В. Данильченко, В.И. Данильченко, В.М. Курейчик

  2020-07-20

  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.