Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования



Скачать 192.81 Kb.
Дата07.07.2013
Размер192.81 Kb.
ТипАвтореферат диссертации


На правах рукописи


Стороженко Андрей сергеевич
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования



Специальности:

05.13.12 – Системы автоматизации проектирования (вычислительная техника и информатика),

05.13.17 – Теоретические основы информатики



Автореферат

диссертации на соискание учёной степени

кандидата технических наук


Научный руководитель:

доктор технических наук, профессор

В.В. Курейчик

Научный консультант:

кандидат технических наук, доцент

А.Н. Берёза


Таганрог - 2009 г.



Работа выполнена на кафедре: «Информационные системы и Радиотехника» Южно-Российского государственного университета экономики и сервиса в г. Шахты.

Научный руководитель:

доктор технических наук, профессор

В.В. Курейчик

Научный консультант:

кандидат технических наук, доцент

А.Н. Берёза

Официальные оппоненты:

доктор технических наук, доцент

Н.И. Чернов




доктор технических наук, профессор

Д.А. Безуглов

Ведущая организация:


Научно-исследовательский институт Информационных и управляющих систем (НИИ ВИУС) – структурное подразделение ЮРГТУ (НПИ), г. Новочеркасск



Защита состоится “5” ноября 2009 г. в __:__ на заседании диссертационного совета Д 212.208.22 по защите диссертаций при ФГОУ ВПО «Южный федеральный университет» по адресу: 347928, г. Таганрог, пер. Некрасовский, 44, ауд. Д-406
С диссертацией можно ознакомиться в Зональной научной библиотеке Южного федерального университета по адресу: 344000, Ростов-на-Дону, ул. Пушкинская, 148.

Автореферат разослан “__” ___________ 2009 г.
Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять в адрес совета.
Уpng" name="graphics1" align=left hspace=12 width=169 height=77 border=0>чёный секретарь

диссертационного совета

доктор технических наук, профессор А. Н. Целых


2

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Устойчивая тенденция увеличения сложности радиоэлектронных систем (РЭС) привела к необходимости повышения эффективности применения систем автоматизации проектирования (САПР). Эффективность применения таких систем определяется наличием программных средств, обеспечивающих качество проектирования РЭС и максимально ориентированных на разработчика. Качество проектирования характеризуется количеством циклов устранения ошибок, допущенных при проектировании, процентом выхода бракованных изделий, качественными показателями полученного изделия. Увеличения эффективности проектирования можно добиться большей автоматизацией уровней проектирования.

При разработке САПР возможна следующая декомпозиция (разбиение на уровни проектирования), в которой процесс проектирования РЭС разбивается на шесть уровней: уровень системного проектирования, уровень структурного проектирования, уровень функционального проектирования, уровень схемотехнического проектирования, уровень компонентного проектирования, уровень конструкторского проектирования.

Следует отметить возрастающую важность схемотехнического уровня проектирования. Это обусловлено появлением и развитием сверхбольших интегральных схем (СБИС) и систем на кристалле, в которых постоянно увеличивается количество транзисторов, и уменьшается их размер. Это привело к тому, что поведение цифровых элементов стало аналоговым, и при разработке даже цифровых СБИС уже нельзя обойтись только логическим моделированием.

На схемотехническом уровне решаются следующие задачи: структурный синтез, заключающийся в выборе конфигурации схемы; предварительный расчет параметров элементов схемы; определение выходных параметров схемы, в зависимости от изменения внутренних и внешних параметров (одновариантный и многовариантный анализ); определение значений внутренних параметров схемы (параметрический синтез), обеспечивающий наилучшие значения выходных параметров (параметрическая оптимизация).

На сегодняшний день задачи анализа более или менее удовлетворительно автоматизированы. Что касается структурного синтеза, то он автоматизирован в недостаточной степени и проводится, как правило, высококвалифицированными специалистами, опирающимися на накопленный опыт.

Задача структурного синтеза заключается в нахождении такой конфигурации схемы, которая удовлетворяла бы всем техническим условиям (критериям оптимальности), накладываемым на схемотехническое решение, и максимизировала или минимизировала целевую функцию. Под критерием оптимальности в этом случае понимается либо некоторый внешний параметр схемы, позволяющий адекватно различать лучшие и худшие решения, либо некоторая функция или система функций, учитывающая роль каждого из критериев оптимальности и сводящая многокритериальную постановку задачи к однокритериальной.

Оценка схемотехнического решения при проведении структурного синтеза проблематична. Это связано с тем, что получаемые решения при структурном синтезе могут иметь неоптимальные значения внутренних параметров, что приводит к их неадекватной оценке. Поэтому после нахождения альтернативного варианта схемотехнического решения необходимо проводить процедуру параметрической оптимизации.

Процедура параметрической оптимизации выполняется в четыре этапа:

  • создание или поиск новых значений внутренних параметров схемотехнического решения;

  • оценка полученного варианта схемы;

  • принятие решения о пригодности или непригодности этого варианта схемы;

  • принятие решения о продолжении или прекращении дальнейшего поиска вариантов.

Автоматизация задачи параметрической оптимизации схемотехнических решений на сегодняшний день решена не полностью, в связи с тем, что применяемые для ее решения алгоритмы в общем случае не эффективны. Это обуславливается увеличением сложности и размерности, а также повышением вычислительной трудности решения таких задач. Задача параметрической оптимизации схем является NP-сложной.

Таким образом, задача параметрической оптимизации схемотехнических решений, являясь частью задачи синтеза технических объектов, была и остается актуальной проблемой, т.к. ее решение позволит повысить эффективность автоматизации процедуры структурного синтеза, а также сократить сроки проектирования и улучшить получаемые решения.

Результатом непрекращающегося поиска наиболее эффективных методов решения этой задачи стало использование бионических алгоритмов, в том числе, эволюционных и генетических алгоритмов. Бионика – прикладная наука о применении в технических устройствах и системах принципов организации, свойств, функций и структур живой природы, т. е. формы живого в природе и их промышленные аналоги. Отличительной особенностью генетических алгоритмов является работа не с одним решением, а с набором альтернативных решений и частичная независимость от представления целевой функции. Результаты экспериментальных исследований доказали высокую производительность бионических алгоритмов, а на отдельных контрольных задачах – их безусловное превосходство над существующими методами решения.

Цель и основные задачи диссертационной работы.

Основная цель диссертации состоит в снижении времени решения задачи параметрической оптимизации схемотехнических решений, и исследование применения гибридного и комбинированного подходов, основанных на бионических методах, к решению этой задачи. Для достижения поставленной цели были решены следующие задачи.

  1. Построение новой архитектуры решения задачи параметрической оптимизации, ориентированной на снижение количества расчетов математической модели схемотехнического решения.

  2. Построение архитектуры гибридного и комбинированного алгоритмов решения задачи параметрической оптимизации на основе бионических методов.



  1. Построение модифицированных генетических операторов, ориентированных на решение задачи параметрической оптимизации.

  2. Создание инструментальной среды для проведения экспериментальных исследований и анализа полученных результатов.

Методы исследования

В качестве методов исследования использовались элементы теорий множеств, алгоритмов, графов, а также методы и средства бионического поиска, эволюционного моделирования, генетического поиска, теории вычислительных систем и объектно-ориентированного программирования.

Достоверность результатов исследования

Объем численных экспериментов, проведенных при решении различных контрольных (тестовых) задач и вариациях параметров гибридного бионического и комбинированного алгоритмов, составил не менее 104 опытов. Алгоритмы решения задачи параметрической оптимизации «Гибридный бионический алгоритм параметрической оптимизации» и «Комбинированный бионический алгоритм решения задачи параметрической оптимизации» прошли официальную регистрацию в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам. Получены свидетельства о государственной регистрации программ на ЭВМ №2009610574 от 26.01.2009 г. и №2009611534 от 19.03.2009 г. соответственно.

Научная новизна диссертационной работы заключается в решении задачи параметрической оптимизации на основе гибридного и комбинированного подходов. На защиту выносятся следующие научные результаты:

  1. Стратегия гибридного и комбинированного поиска решения задачи параметрической оптимизации схемотехнических решений, позволяющая уменьшить время поиска и улучшить получаемые результаты (относится к специальности 05.13.12).

  2. Модифицированный алгоритм Ant Colony, позволяющий адаптивно распределять время развития различных областей альтернативных решений, в многопопуляционном генетическом алгоритме (относится к специальности 05.13.17).

  3. Гибридный алгоритм решения задачи параметрической оптимизации схемотехнических решений, позволяющий сократить время поиска (относится к специальности 05.13.12).

  4. Комбинированный алгоритм поиска оптимальных значений, параметров схем, позволяющий улучшить решения, получаемые при помощи гибридного алгоритма, при незначительном увеличении времени проведения поиска (относится к специальностям 05.13.12 и 05.13.17).

  5. Новые и модифицированные генетические операторы, ориентированные на решение задачи параметрической оптимизации, позволяющие сократить время поиска (относится к специальности 05.13.17).

Практическая ценность

Разработана инструментальная среда (ИС), позволяющая находить квазиоптимальные решения задачи параметрической оптимизации схемотехнических решений. Одним из возможных применений ИС является решение задачи параметрической оптимизации электрических схем и узлов РЭС. Программный комплекс разработан для операционной системы Windows, написан на языке С++. Компиляция выполнена в среде объектно-ориентированного программирования Microsoft Visual Studio 2005.

Реализация результатов работы.

Материалы диссертации использованы в следующих научно-исследовательских работах: «Разработка теории и принципов автоматизации проектирования на схемотехническом уровне устройств вычислительной техники с применением бионических методов» (№ г.р. 01.2.00 606 713, 2006 г.); «Применение интеллектуальных информационных технологий в науке, технике и образовании» (№ г.р. 01.2.008022797, 2008 г.); «Информационные технологии в науке, технике и образовании»; (№ г.р. 12.354) «Разработка теории и принципов построения интеллектуальных систем принятия решений при проектировании на основе квантовых вычислений и бионических методов поиска»; (№ г/б № 12363) «Разработка теории и когнитивных принципов принятия решений на основе распределенных алгоритмов, инспирированных природных систем». Результаты этих работ внедрены и используются в учебном процессе на кафедрах САПР ТТИ ЮФУ (г. Таганрог), «Информационные системы и радиотехника» ЮРГУЭС (г. Шахты), «Информационные технологии и управление» ШИ ЮРГТУ (г. Шахты) и «Информатика» ВИС ЮРГУЭС (г. Волгодонск). Акты о внедрении и использовании результатов работы приведены в приложении к диссертации.

Апробация работы и публикации.

Основные научные и практические результаты работы докладывались, обсуждались и были одобрены на Международных научно-технических конференциях «Интеллектуальные системы», «Интеллектуальные САПР» (г. Геленджик, 2005 – 2009 гг.), Всероссийских научных конференциях молодых ученых и аспирантов (г. Волгодонск, 2005 - 2009 гг.). По материалам диссертационной работы опубликовано 7 печатных работ, материалы диссертационной работы вошли в отчеты по НИР.

Структура и объём диссертационной работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 153 стр., включая 43 рис., 8 таб., список литературы из 130 наименований, 12 стр. приложений и актов об использовании.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, определены цели и задачи исследования, приведены основные научные положения, выносимые на защиту, изложены научная новизна и практическая значимость работы, представлены сведения о реализации, использовании и апробации диссертационной работы. Дано краткое содержание основных разделов диссертации.

В первой главе приведена постановка задачи параметрической оптимизации схемотехнических решений. Рассматриваемая задача формально может быть представлена как задача нахождения вектора , который минимизирует целевую функцию

(1)

при ограничениях и , где и – векторные функции описывающие систему ограничения на параметры проектирования , – множество допустимых решений.

При решении задачи параметрической оптимизации схемотехнических решений в качестве элементов вектора выступают некоторые параметры элементов схемы (к примеру, номинала этих элементов), а целевая функция представляется в следующем виде:

, (2)

где – математическая модель схемы, – функция множества анализов математической модели схемы, – функция, отражающая зависимость значения ЦФ от вида анализа, применяемого для расчета выходных характеристик схемы оптимальности.

Представлен анализ математических моделей элементов схем. Проведено исследование видов анализа схем, показавшее, что при выборе вида анализа схемы необходимо выбирать такие виды анализа, при которых вычисляются все выходные характеристики схемы и минимизируется время проведения этого вычисления. Проведено исследование критериев оптимальности, выявившее проблему сведения многокритериальной задачи параметрической оптимизации схем к однокритериальной.

Приведена условная классификация и сравнительный анализ существующих алгоритмов оптимизации, применяемых к решению задачи параметрической оптимизации электрических схем. Также проведен анализ алгоритмов и методов применяемых для комбинации и гибридизации алгоритмов поиска и позволяющих улучшить характеристики разрабатываемого алгоритмов оптимизации.

На основании краткого анализа описанных методов предлагается использовать перспективную технологию на базе многопопуляционных

генетических алгоритмов, муравьиных алгоритмов и алгоритма имитации отжига.

Во второй главе приведены стратегия и принципы решения задачи параметрической оптимизации схемотехнических решений (рис. 1).

Предложенная и описанная в данной работе архитектура гибридного поиска изображена на рис. 2. Методы и алгоритмы, разработанные на базе представленной архитектуры, позволили достигнуть качественных квазиоптимальных и оптимальных решений для всех тестовых задач. Предложена архитектура комбинированного поиска, изображенная на рис. 3.



Рис 1. Принцип построения процесса решения задачи параметрической оптимизации электрических схем

Алгоритмы на базе этой архитектуры позволили улучшить получаемые результаты, незначительно увеличив при этом время работы алгоритма.

Разработаны следующие новые и модифицированные генетические операторы:

  1. Оператор инициализации с начальным поиском, позволяющий сократить время сходимости генетического алгоритма.




Рис 2. Архитектура гибридного поиска


Рис 3. Архитектура комбинированного поиска


  1. Оператор мутации в пределах ореола обитания позволяющий сузить область поиска для каждого генетического алгоритма входящего в состав многопопуляционного генетического алгоритма.

  2. Оператор миграции на основе следов феромона, позволяющий закреплять квазиоптимальные решения.

Алгоритмы локального поиска, предлагаемые в данной работе, являются алгоритмами имитации отжига и позволяют повысить качество решений, получаемых при помощи методов гибридного многопопуляционного генетического алгоритма.

В третьей главе описано кодирование альтернативного решения задачи параметрической оптимизации схемотехнических решений. Альтернативное решение кодируется одной хромосомой, где каждый ген представляется целым положительным числом от нуля до некоторого предела значения гена (Lg). Предел каждого гена является значение количества элементов, списка замены какого-то варьируемого свойства элемента схемы. Либо в случае когда замена варьируемого свойства представляется в виде некоторого диапазона значений, предел рассчитывается по следующих формуле:

, (3)

где КД – конец диапазона значений, НД – начало диапазона значений, Ш – шаг смены значений в диапазоне.

Приведен и описан генетический и многопопуляционный генетический алгоритм. Также описан модифицированный алгоритм Ant Colony (рис. 4), позволяющий в процессе работы многопопуляционного генетического алгоритма динамически ранжировать популяции по качеству проведения поиска. На основе этих данных перераспределяется время поиска между соответствующими популяциями.

Работа модифицированного алгоритма Ant Colony характеризуется выполнением следующих трех формул:

(4)


Рис 4. Схема модифицированного алгоритма Ant Colony



Рис 5. Схема модифицированного алгоритма имитации отжига

(5)

(6)

Формула 4 описывает воздействие внешней среды на следы феромона. Для этой формулы – интенсивность следов феромона при переходе в вершину j из вершины i в момент времени t, – некоторый коэффициент, определяющий степень испарения феромона, , где – эффективность промежутка (i,j) на протяжении маршрута выбранного k-тым муравьем, вычисляемая по формуле 6.

По формуле 6 рассчитывается количество феромона, откладываемое каждым муравьем при переходе из одной вершины в другую. Для этой формулы – количество популяций, – лучшее значение ЦФ для i популяции в момент времени t, – изменение лучшего значения ЦФ для m популяции в момент t, – список пройденных вершин, – некоторая константа, отражающая доли влияния развития популяции и лучшего значения среди всех популяций целевой функции на след феромона.

Формула 5 описывает правило вычисления вероятности выбора вершины j муравьем, находящимся в вершине i.

Предложен модифицированный алгоритм имитации отжига (рис. 5), производящий локальный поиск лучшего решения каждой популяции после завершения работы гибридного бионического алгоритма.

Четвертая глава посвящена реализации ИС решения задачи параметрической оптимизации и тестированию предложенных гибридных и комбинированных алгоритмов решения задачи параметрической оптимизации. ИС реализована на языке C++ в среде Microsoft Visual Studio 2005 для операционной системы Windows 9x и выше. Пользователю предлагается система с возможностью модификации параметров алгоритмов и выгрузки результатов проведения эксперимента для дальнейшего их анализа. Представление об интерфейсе программного комплекса «optima» можно получить на рис. 6, где представлена главная форма приложения и окно программы настройки параметров алгоритмов.

Сделаны выводы об оптимальном значении коэффициентов модифицированного алгоритма Ant Colony и модифицированного алгоритма имитации отжига. Наибольшая эффективность разработанного гибридного алгоритма достигнута при следующих значениях управляющих параметров: ; ; GATime=200; aF=0,2; .



Рис. 6. Основные экранные формы инструментальной среды «optima»

Исследована эффективность работы разработанных алгоритмов на тестовых функциях (benchmark) и схемотехнических решениях в рамках решаемой задачи. Результаты экспериментальных исследований разработанных алгоритмов на тестовых задачах показаны на рисунках 7 и 8, здесь: ГА – генетический алгоритм, МГА – многопопуляционный генетический алгоритм, ГБА – гибридный многопопуляционный генетический алгоритм, КБА – комбинированный бионический алгоритм на основе ГБА и модифицированного алгоритма имитации отжига, ИО – алгоритм имитации отжига.

На рис. 7 показано среднее отклонение полученных результатов от точки глобального минимума. На рис. 8 показана зависимость времени поиска квазиоптимальных решений на различных тестовых функциях.

Результаты экспериментальных исследований разработанных алгоритмов на тестовых схемах показаны на рисунках 10 и 11. На рис. 10 показан график зависимости результата работы алгоритмов от тестовых схемотехнических решений. На рис. 11 показана зависимость времени поиска квазиоптимальных решений на различных тестовых схемах.

Из графиков 7 и 8 видно, что гибридный МГА показывает на тестовых функциях первого набора результаты соизмеримые с МГА (в среднем, отличие результатов этих алгоритмов составляет 14 %), но время, затрачиваемое на поиск квазиоптимальных решений, значительно ниже (в среднем на 28 % меньше). Комбинированный бионический алгоритм, в среднем, получил результаты на 30 % лучше, чем ГБА, а время поиска больше всего на 5%.


Рис. 7. Среднее отклонение от точки глобального оптимума на различных тестовых функциях



Рис. 8. Среднее время работы алгоритмов на тестовых функциях
Для проведения экспериментальных исследований на схемотехнических решениях была выбрана следующая целевая функция:



где – весовые коэффициенты, устанавливаемые эмпирическим путем; – отклонение значения коэффициента усиления от требуемого (); – отклонение ширины полосы усиления, – требуемая ширина полосы усиления ; – отклонение крутизны подъема, где – требуемая крутизна подъема, – расчетная крутизна подъема; – отклонение крутизны спада, где – требуемая крутизна спада, – расчетная крутизна спада.

Для расчета показателей целевой функции использовалась данные полученные в моделирующей подсистеме AVO Spice. На рисунке 9 приведен пример определения элементов ЦФ для некоторого схемотехнического решения по его АЧХ.



Рис. 9. Пример определения элементов ЦФ для некоторого схемотехнического решения по его АЧХ

Из графиков 10 и 11 видно, что на тестовых функциях второго набора ГБА показывает результаты лучшие, чем МГА. В среднем, улучшение результата составляет 18 %, но время, затрачиваемое на поиск квазиоптимальных решений, значительно ниже (в среднем на 16 % меньше). Комбинированный бионический алгоритм, в среднем, получил результаты на 8 % лучше, чем ГБА, а время поиска на 32% больше. Также следует отметить, что на некоторых схемотехнических решениях (С3 и С4) КБА показал незначительное улучшение результата от 2% до 5%, а время поиска при этом было больше, чем у ГБА, на 24% и 31%.


Рис. 10. Результаты работы алгоритмов на тестовых схемах




Рис. 11. Среднее время работы алгоритмов на тестовых схемах
В заключении изложены основные выводы и результаты диссертационной работы.

В приложении представлены копии актов о внедрении и актов об использовании в учебном процессе результатов представленной работы, а также копии свидетельств о регистрации программ для ЭВМ и изображение схемотехнические решения, на которых проводились исследования алгоритмов.

Заключение

  1. Предложена стратегия гибридного и комбинированного поиска решения задачи параметрической оптимизации схемотехнических решений, позволяющая уменьшить время поиска и улучшить получаемые решения.

  2. Разработан новый модифицированный алгоритм Ant Colony, предназначенный для адаптивного выбора наборов решений при развитии МГА.

  3. Разработан новый гибридный алгоритм на основе многопопуляционного генетического алгоритма и модифицированного алгоритма Ant Colony, сокращающий время проведения поиска.

  4. Разработан новый комбинированный алгоритм на основе гибридного многопопуляционного генетического алгоритма и алгоритма имитации отжига, позволяющий получать наборы квазиоптимальных результатов.

  5. Разработаны новые и модифицированные генетические операторы, ориентированные на решение задачи параметрической оптимизации и сужающие область поискового пространства.

  6. Разработана инструментальная среда по исследованию задач параметрической оптимизации, обладающая лучшими характеристиками, в сравнении с существующими.

  7. Проведены вычислительные эксперименты для различных алгоритмов на тестовых примерах. На основе результатов даны рекомендации к выбору управляющих параметров (, , GAtime, aF и д.р.), обеспечивающих получение набора оптимальных решений за полиномиальное время. Эти результаты, в среднем, от 14% до 18% лучше, чем у существующих алгоритмов, а время поиска от 16% до 28% меньше.


Основные результаты по теме диссертации

Публикации в ведущих рецензируемых изданиях, рекомендованных

ВАК РФ

  1. Стороженко А.С., Берёза А.Н. Комбинированный многопопуляционный муравьиный генетический алгоритм. Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». – Таганрог: Изд-во ТТИ ЮФУ, 2008, № 9 (86). - 252 с. 24 - 31 с.


Публикации в других изданиях

  1. Стороженко А.С., Берёза А.Н. Анализ основных этапов проектирования пользовательского интерфейса информационных систем.: Межвузовский сб. научн. трудов; под ред. С.А. Кузнецова. - Шахты: Изд-во ЮРГУЭС, 2005. –81с.

  2. Стороженко А.С., Берёза А.Н. Применение муравьиного алгоритма для решения задачи коммивояжера. Информационные технологии в науке и образовании. Материалы конференции. Международная науч.-практ. интернет-конференция, апрель-июнь 2006 г., г.Шахты / ред. кол.: А.Э. Попов [и др.]. - Шахты: Изд-во ЮРГУЭС, 2006. - 70 с. 56-59 с.

  3. Стороженко А.С., Бегляров В.В., Берёза А.Н. Применение муравьиных алгоритмов для анализа развития популяций в многопупуляционных алгоритмах. Информационные системы и технологии. Теория и практика: сб. науч. тр. / под. ред. А.Н. Берёза. – Шахты: Изд-во ЮРГУЭС, 2008. – 188 с. 33-39 с.

  4. Стороженко А.С., Инструментальная среда проектирования алгоритмов на основе интеллектуальных методов «AILab». Информационные системы и технологии. Теория и практика: сб. науч. тр. / под. ред. А.Н. Берёза. – Шахты: Изд-во ЮРГУЭС, 2008. – 188 с. 39-46 с.

  5. Стороженко А.С., Бегляров В.В., Берёза А.Н. Применение бионических методов при разработке проектных процедур параметрической оптимизации САПР. Информационные технологии в науке и образовании: материалы Междунар. науч.-практ. интернет-конференция, октябрь 2007 г. – март 2008 г., II Всерос. семинара «Применение MOODLE в сетевом обучении», 26-28 марта 2008 г. (Железноводск), VI Всерос. науч.-практ. Семинара «Автоматезированные системы управления учебным процессом в вузе: опыт, решения, возможности», октябрь 2007 г. / редкол.: А.Э. Попов [и др.]. – Шахты: Изд-во ЮРГУЭС, 2008. - 238 с. 227-230 с.

  6. Стороженко А.С., Бегляров В.В., Берёза А.Н. Нечёткий генетический алгоритм размещения 2D объектов. Информационные технологии в науке и образовании: материалы Междунар. науч.-практ. интернет-конференция, октябрь 2007 г. – март 2008 г., II Всерос. семинара «Применение MOODLE в сетевом обучении», 26-28 марта 2008 г. (Железноводск), VI Всерос. науч.-практ. Семинара «Автоматезированные системы управления учебным процессом в вузе: опыт, решения, возможности», октябрь 2007 г. / редкол.: А.Э. Попов [и др.]. – Шахты: Изд-во ЮРГУЭС, 2008. - 238 с. 54-61 с.



Личный вклад автора в работах, опубликованных в соавторстве: [3, 4] – обзор и анализ применения муравьиных алгоритмов к решению рассматриваемой задачи, [1,2,5-7] – разработка архитектур гибридного генетического поиска, модифицированных генетических операторов, программная реализация и проведение экспериментальных исследований.


Соискатель

Стороженко А.С.




Похожие:

Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconИсследование и разработка бионических методов и алгоритмов для решения задач транспортного типа

Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconРазработка алгоритма решения задачи ортогональной упаковки прямоугольных объектов в двухмерный контейнер
Для решения np-трудной задачи ортогональной упаковки прямоугольных объектов в двухмерный контейнер предлагается эффективный метод...
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconИсследование и разработка некоторых графических алгоритмов
Шайдуров А. Г. Исследование и разработка некоторых графических алгоритмов. Квалификационная работа на степень магистра наук по направлению...
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconЭволюционные алгоритмы для автоматизации проектирования распределенных систем обработки информации и управления
В работе описывается поход к автоматизации моделирования распределенных систем с помощью Марковских процессов и выбора эффективных...
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconЦель преподавания дисциплины
Рэс; оптимизации, моделирования и автоматизации конструкторского и технологического проектирования
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconРеализация муравьиного алгоритма для решения задачи коммивояжера
На сегодня уже получены хорошие результаты муравьиной оптимизации таких сложных комбинаторных задач, как задача оптимизации маршрутов...
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconОтчет по нир механико математического факультета за 1999 год
Разработка методов параметрической и непараметрической статистики для решения задач прикладного статистического анализа
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconОтчет по нир механико математического факультета за 2000 год
Разработка методов параметрической и непараметрической статистики для решения задач прикладного статистического анализа
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconЛекция №13 Применение метода математического моделирования для оптимизации параметров систем автоматизации
В широком смысле общая задача оптимизации параметров систем автоматизации заключается в отыскании экстремума критерия (целевой функции)...
Разработка и исследование бионических алгоритмов решения задачи параметрической оптимизации для автоматизации схемотехнического проектирования iconК вопросу о параметрической оптимизации алгоритмов управления и диагностики
Мга с высокой вероятностью находит глобальный экстремум. В качестве примера, иллюстрирующего вычислительные возможности мга, рассмотрен...
Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org