Методы поисковой адаптации для решения задачи глобальной трассировки Текст научной статьи по специальности «Компьютерные и информационные науки»

Секция интеллектуальных систем

процессов, каждый из которых может выполняться на отдельном процессоре и при необходимости осуществлять взаимодействие с другими процессорами. Отметим, что можно организовать различное количество связей между ГА по принципу полного графа, по принципу звезды и т.д. Такая схема автоматизации проектирования топологии СБИС в отличие от существующих позволяет во многих случаях выходить из локальных оптимумов.

Временная сложность алгоритмов, реализованных на таких архитектурах, в основном совпадает со сложностью быстрых итерационных алгоритмов и лежит в пределах О(п) - 0(п3), где п - число входов алгоритмов. Эта сложность обещает перспективность использования эволюционного моделирования при решении инженерных и практических задач.

УДК 681.3.001.63

О. Б. Лебедев

МЕТОДЫ ПОИСКОВОЙ АДАПТАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ГЛОБАЛЬНОЙ ТРАССИРОВКИ*

В работе процедуры глобальной трассировки представляются в виде адаптив-, . поле (КП) разбито на дискреты, ограниченные 4-мя гранями. Каждая грань имеет фиксированную пропускную способность. Для каждой цепи задаются дискреты, центры которых необходимо связать. Для каждой цепи на связываемых ей вер-

( ).

Для каждого ребра МСД генерируется набор вариантов его реализации. Задание варианта реализации МСД осуществляется перечислением тех граней КП, которые .

выборе для каждого ребра каждой цепи варианта его реализации. Критерии оптимизации: число соединений, проходящих через перенасыщенные грани, число перенасыщенных граней, величина резерва (т.е. разность между исходной пропускной способностью грани и числом трасс, которые ее пересекают) самой загружен. . -, , последовательно перевыбираются варианты реализации ребер. Цель конкретного - , -ных граней имеет минимальное значение. Целью же коллектива объектов является , . Для реализации механизма адаптации каждому объекту (ребру) сопоставляется ( ).

(т.е. числу вариантов реализации ребра). В каждой группе Р состояний. Первоначально АА находится в одном из состояний. Работа адаптивной системы на каждой итерации осуществляется за четыре такта. На первом такте в соответствии с выбранными вариантами реализации (состояниями объектов) определяется состояние среды, т.е. рассчитывается величина загруженности граней. На втором такте в соответствии с состоянием среды для каждого объекта вырабатывается либо сиг-

Работа выполнена при частичной финансовой поддержке программы развития научного потенциала высшей школы 2006-2008 годы (проекты РНП.2.1.2.2238, РНП 2.1.2.3193)

Известия ТРТУ

Специальный выпуск

нал поощрения (если состояние объекта в среде удовлетворительное, т.е. вариант

), . -

ем такте по управляющим сигналам (поощрения или наказания) АА переходит в .

, .

исследовались различные стратегии реализации третьего шага: переход из состоя-

ния в состояние происходит в соответствии с порядковым номером циклически; переход осуществляется в лучшее состояние с точки зрения настоящего момента; каждому АА присваивается свой уровень рефлексии. АА с более высоким уровнем рефлексии обладает информацией о предстоящем поведении АА с более низким .

уровней рефлексии АА. Для повышения эффективности в работу процедур трассировки включаются элементы генетической адаптации. В этом случае множество вариантов реализации ребра рассматривается как популяция решений.

УДК 519.712.2

..

ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ МЕХАНИЗМОВ НЕЧЕТКИХ МНОЖЕСТВ В ЭВОЛЮЦИОННЫХ МЕТОДАХ*

Наиболее перспективной парадигмой развития искусственного интеллекта на сегодняшний день можно считать интеграцию различных направлений и создание гибридных интеллектуальных систем. Соединение в рамках таких систем различных методов и моделей, их взаимодополняемость приводит к увеличению эффективности и уменьшению недостатков отдельных методов. Одним из наиболее ярких примеров такого рода интеграции являются мягкие интеллектуальные системы. Основными составляющими формулы «мягких вычислений» по определению Л. Заде являются нечеткие множества, нейронные сети и генетические алгоритмы. Каждое звено этой триады является самостоятельным направлением исследований объединенных общей целью создания эффективных интеллектуальных систем.

, -дачи оптимизации должны быть определенным образом закодированы. Можно провести аналогию между процессами кодирования и фаззификации, то есть преобразования исходных числовых величин в распределения, соответствующие термам лингвистической переменной. При этом каждое числовое значение описывается одним или несколькими термами, а степень его соответствия определяется степенью принадлежности нечеткому множеству. Использование таких алфавитов при кодировании решений в генетических алгоритмах дает возможность построить неоднородное разделение пространства поиска. Кроме того, закодированные последовательности могут иметь различную степень детализации. Степень детализации и характер распределения решений в пространстве поиска может определяться на основе начальных знаний о решаемой задаче. Такое кодирование позволяет сосредоточить основные усилия на поиске в наиболее перспективных областях. Та, , , -дирования. Во-первых, кодовые последовательности могут быть неоднородными и

*

Работа выполнена при финансовом содействии РФФИ, грант № 04 - 01 - 00174 102