Системы творческого схемотехнического проектирования

Наиболее перспективным направлением в разработке интеллектуальных систем автоматизированного схемотехнического проектирования представляются подходы, позволяющие найти новые схемные решения [Зинченко и др., 2003]. В основном, значительные результаты были получены при использовании генетического программирования [Koza et al, 1997; Sripramong et al, 2002; Vieira et al, 2004] и генетических алгоритмов [Lohn et, 1999a; Goh et al, 2001; Grimbleby, 2000; Shuguang et al, 2005; Mattiussi et al, 2004; Dastidar et al, 2005; Ando et al, 2000]. Обобщенная структурная схема систем творческого схемотехнического проектирования, основанных на использовании алгоритмов генетического программирования, показана на рис. 3, а. Рис. 3, б иллюстрирует основные этапы творческого схемотехнического проектирования при использовании генетических алгоритмов.

Системы творческого схемотехнического проектирования, основанные на алгоритмах генетического программирования [Koza et al, 1997], базируются на использовании процедуры эволюционного развития эмбриона в цепь, удовлетворяющую заданным техническим характеристикам, на основе иерархической древовидной структуры. В процессе эволюционного развития возможна генерация любой топологии и любых параметров схемы. Основной проблемой при использовании алгоритмов генетического программирования является генерация большого количества схемных решений, не имеющих никакого физического смысла [Sripramong et al, 2002]. В связи с этим основные усилия исследователей направлены на разработку специальных правил, позволяющих устранить этот недостаток. В зависимости от выбранного маршрута проектирования они могут применяться на этапе верификации полученных проектных решений [Sripramong et al, 2002] или на этапе генерации схемы [Vieira et al, 2004].

Отличительной особенностью генетических алгоритмов является использование закодированных решений в процессе эволюционной адаптации. В связи с этим основные усилия исследователей, использующих генетические алгоритмы, направлены на разработку эффективных методов кодирования схемотехнического решения. Наиболее часто используется представление генотипа в виде линейной последовательности [Ando et al, 2000; Zebulum et al, 2003]. Его достоинством является возможность применения для цепей с различным количеством элементов произвольной топологии.

Матричное представление, предложенное Kitamura et al [Ando et al, 2000], требует заранее предопределенного размера цепи. В работе [Dastidar et al, 2005] предложено использование генотипа, каждый ген которого соответствует одной из заранее выбранных подсхем с экспертными правилами допустимых типов соединений. Ввод зависимостей между генотипами в [Mattiussi et al, 2004] позволил уменьшить длину хромосомы. Использование динамического кодирования в [Muehlenbein et al, 2002a] позволило уменьшить временные затраты на поиск решения.

а.

б Рис. 3. Обобщенная структурная схема систем творческого схемотехнического проектирования, основанных на генетическом программировании (а) и генетических алгоритмах (б)

Перспективным также представляется использование эволюционных вероятностных алгоритмов [Muehlenbein et al, 2002b]. Модели распределения [Muehlenbein et al, 2002b] в состоянии накапливать информацию о допустимых проектных решениях, что позволяет локализовать поиск в перспективных областях и сократить тем самым вычислительные затраты.

Эффективность системы проектирования во многом определяется выбранной функцией пригодности. В основном в исследованиях по творческому схемотехническому проектированию используются линейные функции пригодности, представляющие собой взвешенную сумму различных параметров. Они применяются как в системах творческого схемотехнического проектирования, основанных на алгоритмах генетического программирования [Koza et al, 1997], так и в системах творческого схемотехнического проектирования, базирующихся на генетических алгоритмах [Lohn et, 1999a]. В работе [Lohn et al, 1999b] исследованы динамические функции пригодности. Однако генетические алгоритмы плохо адаптировались к изменяющимся поверхностям функций пригодности. Более перспективным представляются подходы, предложенные в работах [Sripramong et al, 2002; Ando et al, 2000]. Для повышения эффективности проектирования в работе [Sripramong et al, 2002] все проектные требования разделены на две большие группы: ограничения, которые необходимо выполнить, и ограничения, которые желательно выполнить (мягкие ограничения). Ввод такой классификации проектных требований позволил выделить обязательный набор проектных требований (жесткие ограничения). В ходе эволюционного процесса в первую очередь отбираются альтернативные решения, удовлетворяющие жестким ограничениям. На втором этапе селекции из полученного множества альтернативных решений выбираются индивиды, наилучшим образом удовлетворяющие мягким ограничениям. В работе [Ando et al, 2000] предложена методика изменения весовых коэффициентов в зависимости от размера цепи. Она позволяет отбирать более эффективные с точки зрения размеров кристалла схемотехнические решения.

В настоящее время коммерческие системы автоматизированного схемотехнического проектирования активно используют методы искусственного интеллекта для оптимизации проектных решений. Однако только системы, основанные на эволюционных вычислениях, позволяют выполнить все этапы схемотехнического проектирования в автоматическом режиме. Эволюционные вычисления позволяют также обеспечить более эффективный выбор параметров схемы по сравнению с методом Монте-Карло [Rogenmoser et al, 1996]. Таким образом, применение эволюционных вычислений в автоматизированных системах схемотехнического проектирования представляется наиболее перспективным. Разработанные в последние годы эффективные алгоритмы генетического поиска, в частности, многоальтернативные генетические алгоритмы [Курейчик и др, 2003; Зинченко и др., 2003] обеспечивают нахождение проектного решения при минимальных вычислительных затратах.