Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и исследование комбинированного алгоритма генетического поиска и имитации отжига для задачи размещения элементов СБИС

Диссертация: Разработка и исследование комбинированного алгоритма генетического поиска и имитации отжига для задачи размещения элементов СБИС
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Одним из методов случайно-направленного поиска является метод генетического поиска. В 1975 году американский исследователь Дж. Холланд описал методологию изучения адаптивных систем и их применения для искусственных систем, а также разработал подходы к решению комбинаторно-оптимизационных задач. Сейчас генетические алгоритмы (ГА) хорошо известная и эффективная технология оптимизации, применяемая… Читать ещё >

Разработка и исследование комбинированного алгоритма генетического поиска и имитации отжига для задачи размещения элементов СБИС (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. АНАЛИЗ И ИССЛЕДОВАНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ И МЕТОДОВ ЗАДАЧИ РАЗМЕЩЕНИЯ ПРИ ПРОЕКТИРОВАНИИ СБИС
    • 1. 1. Конструктивные особенности матричных СБИС
    • 1. 2. Иерархический подход к проектированию СБИС
    • 1. 3. Этапы проектирования СБИС
    • 1. 4. Анализ математических моделей схем для задачи размещения
    • 1. 5. Классификация критериев задачи размещения
    • 1. 6. Анализ методов решения задачи размещения
      • 1. 6. 1. Классификация традиционных методов размещения
      • 1. 6. 2. Метод имитации отжига
      • 1. 6. 3. Метод имитации эволюции
      • 1. 6. 4. Анализ достоинств и недостатков методов размещения

При создании новой электронной аппаратуры огромное значение приобретают методы автоматизированного проектирования, которые позволяют создавать высоконадежные СБИС в короткие сроки и при сравнительно низких затратах. Стоимость кристаллов СБИС складывается из стоимости их проектирования (постоянные затраты) и стоимости производства (переменные затраты) [1,2,3]. Тенденция к росту степени интеграции СБИС приводит к существенному увеличению трудоемкости их проектирования, что вызывается ростом размерности решаемых при проектировании задач.

Производство интегральных схем разбивается на три этапа: проектирование, изготовление, тестирование. В виду значительной сложности ни один из этих этапов не может быть выполнен без средств автоматизированного проектирования. Одним из этапов проектирования СБИС является этап конструкторского проектирования, который включает в себя следующие стадии [4]: компоновка, размещение, трассировка и т. д.

Разработка методов и алгоритмов для решения задачи размещения осуществляется на протяжении многих лет, но по-прежнему является актуальной. Это связано, в первую очередь, с тем, что эта задача является №-полной, и разработать универсальный алгоритм, позволяющий находить точное оптимальное решение за приемлемое время затруднительно. Появление новых более совершенных средств вычислительной техники, дающих мощные вычислительные ресурсы, а также повышенные требования к проектируемым устройствам, все это является побудительной причиной разработки новых алгоритмов решения задачи размещения. Большое значение при разработке новых алгоритмов является использование метода оптимизации. Существует несколько подходов к решению ИР — полных задач [4,5].

К первому классу методов относятся, явным или неявным образом предусматривающие возможность экспоненциального времени работы алгоритма, такие методы, как метод ветвей и границ, линейного и нелинейного программирования, отсечения и т. д.

Ко второму классу относятся, так называемые, эвристические алгоритмы, позволяющие получать неплохие решения за приемлемое время.

К третьему классу относятся алгоритмы случайно-направленного поиска, основанные на принципах моделирования.

Недостатки методов первого класса очевидны. Недостатки эвристических алгоритмов решения задачи размещения сводятся, в общем, к низкому качеству решения, либо затрачивают на его поиск избыточное количество времени [4−6]. Алгоритмы случайно-направленного поиска обладают способностью находить более высококачественные решения и за приемлемое время.

Одним из методов случайно-направленного поиска является метод генетического поиска. В 1975 году американский исследователь Дж. Холланд описал методологию изучения адаптивных систем и их применения для искусственных систем, а также разработал подходы к решению комбинаторно-оптимизационных задач. Сейчас генетические алгоритмы (ГА) хорошо известная и эффективная технология оптимизации, применяемая для различных задач техники, моделирующая естественный процесс эволюции в качестве средства достижения оптимума и основанная на имитации процессов натуральной селекции и генетических преобразований [26].

Достоинства ГА, в сравнении с другими подходами к решению задач комбинаторной оптимизации, заключаются в том, что они начинают работать с несколькими начальными решениями, распараллеливая процесс, и позволяют избежать попадания в локальные оптимумы, при этом комбинируя и наследуя элементы наиболее качественных решений.

Другой метод случайно-направленного поиска — метод имитации отжига. В 1953 году Метрополис сделал попытку применить идею процесса отжига, заимствованную из физики, к проблемам численных методов на основе имитационного моделирования. В 1983 году Кирпатрик использовал эту концепцию для решения комбинаторно-оптимизационных задач. С тех пор этот метод широко используется при решении технических задач, проводятся исследования и разработки его модификаций. Алгоритм имитации отжига обладает высокой способностью выходить из локальных ям и сходиться к глобальному минимуму, но при этом имеет один недостаток: большая временная сложность. Алгоритм генетического поиска обладает иными качествами: быстрой сходимостью, простотой реализации и иногда может сходиться к локальному минимуму. Скомбинировав должным образом эти алгоритмы можно устранить присущие им недостатки, сохранив при этом их достоинства и преимущества [91−95].

Недостатки генетических алгоритмов и алгоритмов имитации отжига, существующих и применяемых для решения задачи размещения, заключаются в том, что они не в достаточной степени учитывают особенности задачи, что приводит к излишним требованиям к объему памяти и времени работы алгоритма размещения.

Ввиду вышеизложенного, разработка алгоритмов, позволяющих найти приемлемое по качеству и по трудоемкости решение задачи размещения стандартных ячеек СБИС, является АКТУАЛЬНОЙ ПРОБЛЕМОЙ, стоящей перед разработчиками САПР.

ЦЕЛЬЮ диссертационной работы является разработка и исследование комбинированного алгоритма генетического поиска и имитации отжига для решения задачи размещения ячеек СБИС.

Для достижения поставленной цели были решены следующие задачи:

1) разработаны проблемно-ориентированные компоненты генетического поиска, такие как случайно-направленное формирование начальной популяции и модифицированные операторы направленной мутации, позволяющие улучшить качество решений за счет использования знаний о решаемой задаче.

2) разработан механизм управления процессом поиска ГА, основанный на методе имитации отжига, позволяющий осуществлять выход из локальных опти-мумов.

3) разработан комбинированный генетический алгоритм задачи размещения, использующий предварительное формирование кластеров, модифицированные генетические операторы (ГО), стратегию макроэволюции и заключительный этап имитации отжига после разрушения кластеров;

4) построены и исследованы: а) комбинированный алгоритм решения задачи размещения элементов СБИС без предварительного формирования кластеровб) комбинированный алгоритм решения задачи размещения элементов СБИС с предварительным формированием кластеров и заключительным этапом имитации отжига после разрушения кластеров;

МЕТОДЫ ИССЛЕДОВАНИЯ в диссертации основаны на использовании элементов теории множеств, теории графов, теории алгоритмов, теории комбинаторной оптимизации, элементов теории статистических вычислений.

НАУЧНАЯ НОВИЗНА диссертационной работы заключается в следующем: а) разработан алгоритм формирования начальной популяции решений для задачи размещения, основанный на методе последовательного размещения по связности, позволяющий повысить среднее качество начальной популяции решений за счет наличия оптимальных фрагментов в решенияхб) разработаны модифицированные операторы направленной мутации для задачи размещения на основе метода релаксации и на основе метода Кернигана-Лина, позволяющие повышать качество новых особей-решений за счет использования знаний о решаемой задаче. в) разработан механизм управления процессом поиска ГА, заключающийся в динамическом изменении вероятностей случайных и направленных операций с использованием имитации отжига, позволяющий преодолевать локальные опти-мумы.

ПРАКТИЧЕСКУЮ ЦЕННОСТЬ работы представляют:

— комбинированный алгоритм и программа генетического поиска и имитации отжига для решения задачи размещения ячеек СБИС без предварительного формирования кластеров;

— комбинированный алгоритм и программа генетического поиска и имитации отжига с предварительным формированием кластеров и заключительным этапом имитации отжига после разрушения кластеров;

РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ РАБОТЫ. Основные теоретические и практические результаты диссертационной работы использованы в госбюджетной работе, проводимой кафедрой «ПМ и ВТ» Ростовской государственной академии сельскохозяйственного машиностроения (РГАСХМ) по темам: «Разработка мультипликативных и генетических алгоритмов решения оптимизационных задач САПР» 1993;1994гг, «Разработка генетических алгоритмов для решения оптимизационных задач технического обслуживания в условиях эксплуатации» (19 951 996гг.) В Ростовском-на-Дону филиале Ниижелдоравтоматизация использованы при выполнении НИОКР в 1998 г. комбинированный алгоритм решения задачи размещения элементов СБИС без предварительного формирования кластеров и программы размещения элементов СБИС на плоскости, основанные на разработанном алгоритме, и внедрены в 1999 г. в качестве программного обеспечения решения задач САПР. Комбинированный алгоритм генетического поиска с предварительным формированием кластеров внедрен в Майкопском государственном технологическом институте (МГТИ) в 1999 г. и используется в научно-исследовательском секторе (НИС) МГТИ для выработки управляющих решений в условиях высокой размерности и многовариантности решений. Кроме того, материалы диссертации использованы в учебном процессе на кафедре «ПМ и ВТ» РГАСХМа в цикле лабораторных работ и практических занятий по курсу «Математическое моделирование» в 1992;1995г.

АПРОБАЦИЯ основных теоретических и практических результатов работы проводилась на НТК РГАСХМа (г. Ростов-на-Дону, 1994;1998гг.), Всероссийских научно-технических конференциях студентов и аспирантов «Новые информационные технологии. Информационное, программное и аппаратное обеспечение» (г. Таганрог, 1995, 1998гг.), Всероссийских научно-технических конференциях с участием зарубежных представителей «Интеллектуальные САПР» (г. Геленджик, 1995;1998гг.).

ПУБЛИКАЦИИ. Результаты диссертации отражены в 6-ти печатных работах.

СТРУКТУРА И ОБЪЕМ ДИССЕРТАЦИОННОЙ РАБОТЫ. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложения. Работа содержит 142 стр., а также 46 рис., список литературы из 111 наименований, 12 стр. приложений и актов об использовании.

4.6. ВЫВОДЫ И РЕКОМЕНДАЦИИ.

1. С помощью аппроксимации полиномами Чебышева экспериментальных данных были определены пространственные и временные сложности разработанных алгоритмов, которая показывает что для комбинированного алгоритма без кластеризации пространственная и временная сложности порядка 0(п 2), для алгоритма в сочетании с предварительным формированием кластеров и заключительным этапом имитации отжига временная сложность порядка 0(п 3), пространственная — 0(п), что подтвердило теоретические оценки.

2. Определены оптимальные сочетания управляющих параметров разработанного алгоритма размещения элементов: максимальная вероятность направленной мутации РМщшр=0.8 и случайной мутации Рмсл=0.7- двухточечный и трехточечный кроссинговеры — предельное Хеммингово расстояние (1=2- максимальная вероятность инбридинга Рт=0.8- соотношение долей случайных и направленных особей в начальной популяции 0.5 и 0.5 или 0.3 и 0.7- вероятность принятия новой конфигурации ао=0.8- параметр дистанции, определяющий величину, на которую уменьшается температура 5=0.6. Проведенные эксперименты подтвердили теоретические предположения о том, что применение модифицированных ГО (мутации, начальной популяции) и управление процессом генетического поиска позволяет повысить качество решений на 5% по сравнению с классическим генетическим алгоритмом.

3. Проведенная оценка качества решений для случайно-сгенерированных тестов -1 и -2, получаемых разработанным алгоритмом, показала, что относительное отклонение от оптимального решения не превышает 2% при рекомендуемых параметрах алгоритма.

4. Проведено сравнение разработанного алгоритма с существующими на основе экспериментальных данных задачи Штейнберга, которое показало, что качество получаемых решений на 5−15% выше аналогичных, в частности, на 6% выше алгоритма Холла, на 7% выше алгоритма парных перестановок Хиллера, на 15% выше алгоритма Штейнберга, на 6% выше алгоритма имитации отжига, на 5% выше классического генетического алгоритма.

ЗАКЛЮЧЕНИЕ

.

1. На основе проведенного анализа выделены достоинства и недостатки существующих методов решения задачи размещения выбраны перспективные методы случайно-направленного поиска: генетического и имитации отжига. Показана перспективность комбинирования детерминированных и случайных факторов в процессе управления генетическим поиском и использования знаний о решаемой задаче для повышения качества решений и уменьшения трудоемкости алгоритма.

2. Разработан алгоритм создания начальной популяции решений для задачи размещения, основанный на методе последовательного размещения по связности и экспериментально определено, что за счет наличия оптимальных фрагментов в решениях, среднее значение качества начальной популяции на 20%-30% выше по сравнению со случайной популяцией.

3. Разработаны модифицированные операторы направленной мутации для задачи размещения на основе метода релаксации и на основе метода Кернигана-Лина, позволяющие повышать качество новых особей-решений на 6%-10% по сравнению со случайной мутацией, за счет использования знаний о решаемой задаче.

4. Разработан механизм управления процессом поиска ГА, заключающийся в динамическом изменении вероятностей случайных и направленных операций с использованием имитации отжига, позволяющий преодолевать локальные оп-тимумы и повысить качество решений на 5%-6%.

5. Разработан комбинированный алгоритм, использующий макроэволюцию, алгоритмы формирования кластеров, создания начальной популяции, модифицированные ГО и этап имитации отжига после разрушения кластеров. На основе разработанного алгоритма создан пакет программ для ЭВМ типа ЮМ PC/AT Pentium-166 на языке программирования Paskal, позволяющий за время, сопоставимое со временем поиска стандартным ГА получать решения, качество которых на 5−10% выше.

6. Проведенные экспериментальные исследования показали, что пространственная и временная сложности комбинированного алгоритма без кластеризации л порядка 0(п), а для алгоритма в сочетании с предварительным формированием кластеров и заключительным этапом имитации отжига после разрушения кластеров временная сложность — 0(п3), пространственная сложность — 0(п2).

7. Проведено сравнение разработанного алгоритма с существующими на основе экспериментальных данных задачи Штейнберга, которое показало, что качество получаемых решений на 5−15% выше аналогичных, в частности, на 6% выше алгоритма Холла, на 7% выше алгоритма парных перестановок Хиллера, на 15% выше алгоритма Штейнберга, на 6% выше алгоритма имитации отжига, на 5% выше классического генетического алгоритма.

Показать весь текст

Список литературы

  1. В.П., Курейчик В. М., Норенков И. П. Теоретические основы САПР: Учебник для Вузов. М., Энергоатомиздат, 1987. 400 с.
  2. Разработка САПР. Под ред. A.B. Петрова. М., Высшая школа, 1990.
  3. Системы автоматизированного проектирования в радиоэлектронике. Под ред. И. П. Норенкова. М., Радио и связь, 1986.
  4. Г. Г., Сердобинцев Е. В. Проектирования топологии матричных БИС. М&bdquo- Высш. шк., 1990, с. 112.
  5. В.М. Математическое обеспечение конструкторского и технологического проектирования с применением САПР.М., Радио и связь, 1990.
  6. В.А. Автоматизированное проектирование топологии БИС. М-, Радио и связь, 1983. 112 с .
  7. Л.А. Автоматизация проектирования топологии цифровых интегральных микросхем. М., Радио и связь, 1985. 200 с.
  8. Автоматизированное проектирование СБИС на базовых кристаллах / А. И. Петренко, В. М. Лошаков, А. Тетельбаум и др. М., Радио и связь, 1988.
  9. В.А. Машинное конструирование электронных устройств. М., Советское радио, 1977.
  10. Ю.Петухов Г. А., Смолич Г. Г., Юлин Б. И. Алгоритмические методы конструкторского проектирования узлов с печатным монтажом. М., Радио и связь, 1987, с. 157.
  11. Быстродействующие матричные БИС и СБИС. Теория и проектирование. Под общей редакцией Б. Н. Файзулаева и И. П. Шагурина. М., Радио и связь, 1989.
  12. .П., Малика A.C. Автоматизация проектирования радиоэлектронной аппаратуры. М., Высш. шк., 1980. с. 384.
  13. Сквозное автоматизированное проектирование микроэлектронной ап-паратуры/З.Ю.Готра, В. В. Григорьев, Л. М. Смеркло, ВМ.Эйдельнант.М., Радио и связь, 1989. с. 280.
  14. Автоматизация проектирования БИС. Петренко А. И., Сыпчук П. П., А. Я. Тетельбаум и др. Киев: Виша школа, 1983. с. 312.
  15. А.Н., Бернштейн Л. С., Курейчик В. М. Применение графов для проектирований дискретных устройств,— М.: Наука, 1974.
  16. А.И., Тетельбаум А. Я. Формальное конструирование электронно-вычислительной аппаратуры,— М.: Сов. радио, 1979.
  17. Paris W. GENIF: A new placement Algorithms. Thesis (ms) University of Virginia, USA, 1989. 56 p.
  18. Shahookar K., Mazmnder P. VLSI Cell Placement Techniques. ACM Computing Surveys, vol.23, No 2, June 1991.
  19. Shahookar K., Mazumder P. A genetic approach to standard cell placement using metagenetic parameter optimization. IEEE Transactions on Computer-Aided Design, 9(5): 500−511, May, 1990.
  20. Cohoon J.P., Paris W.D. Genetic Placement, IEEE Trans, on CAD, Vol.6, No.6, November, 1987.. pp.956−964.
  21. Kling R.M., Baneijee P. ESP: Placement by Simulated Evolution. IEEE Trans, on CAD, Vol.8, No.3, March 1989.
  22. Shahookar R. Mazumder P. Genetic Approoch to Standart Cell Placement Using Meta-Genetic Parameter Optimization. IEEE Trans. On CAD, vol 9, 1990, p.500−511.
  23. Razaz M. A Fuzzy C-Means Clustering Placement Algorithm. Proc. International Symposium on C&S, Chicago, USA, 1993. P. 138 147.
  24. Holland, John H., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. University of Michigan, 1975.
  25. Handbook of Genetic Algorithms, Edited by Lawrence Davis, Van Nostrand Reinhold, New York, 1991.
  26. Goldberg D.E., Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Publishing Company, Inc. 1989.
  27. Foundation of Genetic Algorithms, edited by Rawlins Gregory. Morgan Kaufman. San Mateo, California, 1991.
  28. Kirkpatrick S., Gellat C.D., Vecchi M.P. Optimization by simulated annealing. Science 220,4598 (May), 1983.
  29. Sechen C., Lee K.-W. An improved simulated annealing algorithm for row-based placement. Proc. of the EEEE International conference on Computer-Aided Design, 1987.
  30. Laarhoven P. J. van, Aarts E.H.L. Simulated Annealing: Theory and Applications. D. Riedel, Dordrecht, Holland, 1987.
  31. P.Banneijee and M.Jones.A Parallel simulated annealing algorithm for standart cell placement on a hypercube computer. Proceedings of the IEEE International Conference on Computer Design, p. 34, 1986.
  32. Grover. Standard cell placement using simulated sintering. Proceeding of the 24th Design Automation Conference^.56−59,1987
  33. J. Lam and J. Delosme. Performance of a New Annealing Schedule Proceeding of the 25th Design Automation Conference.p. 306−311.1988.
  34. F.Romeo. A.S.Vincentelli and C.Sechen. Research on simulated annealing of the 24th Conference on Description and Control, p.761−767. 1985.
  35. П.Г.Романовский.Автореферат кандидатской диссертации. «Оптимизация метода моделируемого отжига при проектировании топологических схем на параллельной вычислительной системе с динамическим распределением задач».-Таганрог.:ТРТИ-1991.19с.
  36. О.Г., Чернышев Ю. О. Исследование алгоритма имитации отжига для решения задач размещения при проектировании БИС. Известия ТРТУ. Интеллектуальные САПР. Таганрог. 1995. с.68−71
  37. О.Г. Исследование температурного режима алгоритма имитации отжига. Тезисы докладов Всероссийской научной конференции студентов и аспирантов, Таганрог, 1995, с.89−90
  38. Инге-Вечтомов С. Г. Введение в молекулярную генетику. М., 1982.
  39. Н.П. Новое в современной генетике. М.: Наука, 1986, 322 с.
  40. Н.Н., Шкурат Т. П. Основы генетики человека. Ростов-на-Дону, Феникс, 1997, 360 с.
  41. Й.Л. Эволюционное моделирование и его приложения. Наука, М., 1979.
  42. И.Л. и др. Эвоинформатика. Теория и практика эволюционного моделирования. М: Наука, 1991.
  43. Д.И., Скидкина Л. Н., Трапезникова Н. В. Глобальная оптимизация с помощью эволюционно-генетических алгоритмов./В Сб. научных трудов «Оптимизация и моделирование в автоматизированных системах», Воронеж, Воронежский гос.техн.ун-т, 1994.
  44. Д.И., Коган Д. И. Вычислительная сложность экстремальных задач переборного типа.- Нижний Новгород: Нижегородский госуниверситет, 1994.
  45. Д.И. Генетические алгоритмы решения экстремальных задач. Учебное пособие, ВГТУ, Воронеж, 1995, 65 с.
  46. Ф. Введение в популяционную и эволюционную генетику / Пер. с англ.- М.: Мир, 1984.
  47. В.М.Курейчик.Генетические алгоритмы. Монография. Таганрог. Из-во ТРТУ, 1998 с. 242.51 .Back Т., Fogel D.B., and Michalewuz Z. Handbook of Evolutionary Computation. Oxford University Press, New York, and Institute of Public Publishing, Bristol, 1997.
  48. Rabinovich Y., Widgerson A. An Analysis of Simple Genetic Algorithm. Proc. of the Fourth International Conference on Genetic Algorithms. San Mateo. Morgan Kaufinan, 1991,
  49. Whitely D., Starkweather D. GENITORII: a Distribute Genetic Algorithm. Jornal Expt. Theor. Artificial Intelligence, 2,1990, pp.189−214.
  50. Annaiappa P. V. A critical analysis of genetic algorithms for global optimization. Ph.D. thesis. New Mexico State University, Las Cruses, 1991.
  51. С.И. Проектирование самотестируемых СБИС с применением метода генетического поиска. Известия. ТРТУ ,№ 3,Таганрог.1997.стр. 84−86.
  52. Lin S.C., Goodman Е.Р., Punch W.F. A Genetic Algorithm Approach to Dynamic Job Shop Scheduling Problems. Proc. of the 7th International Conf. on Genetic Algorithms, M. Kaufinann Publisher, San Mateo, California, 1997. pp. 481−488.
  53. Ю.О., Курейчик B.B. Генетические алгоритмы размещения / ХХП International School And Conference On Computer Aided Design, CAD-95, Gur-zuff, 1995. c. 329−330.
  54. Kureichik V., Miagkikh V., Topchy A. Combined Genetic and Local Search Algorithms for Quadratic Assignment Problem. Proc. First International conference on Evolutionary computation and its Applications, June 1996, Moscow, Russia.
  55. Kureichik V., Miagkikh V., Some new features in genetic solution of the TSP (travelling salesman problem). Proc. Of the second International conference adaptive computing in engineering design and control 96. UK, Plymouth, March, 1996. pp. 294 296.
  56. Kureichik V. Davidenko V.Miagkikh V. Genetic algorithms for restrictive channel routing. Proc. of the 7th International conference on Genetic Algorith-ms, USA, MSU, East Lansing, 1997.
  57. A.Bertoni, P. Compadelli, V. Carpeneri, and G.Grossi. Analysis of Genetic Model. Proc. of the 7th International conference on Genetic Algorithms, USA, MSU, East Lansing, 1997.pp. 121−127
  58. William Hart. A Generalised Stationery Point Convergence Theory for Evolu-tionery Algorithms.Proc. of the 7th International conference on Genetic Algorithms, USA, MSU, East Lansing, 1997 .pp. 127−135
  59. Martin Hulin. An Optimal Stop Criterion for Genetic Algorithms. Proc. of the 7th International conference on Genetic Algorithms, US A, MSU, East Lansing, 1997. pp.135−144
  60. Isao Ono and Shigenoby Kobayashi. A Real Coded Genetic Algorithm for Function Optimizaiton Using Unimodal Normal Distributed Crossover. Proc. of the 7th International conference on Genetic Algorithms, USA, MSU, East Lansing, 1997.pp.246−254
  61. Hisao Ishibuchi, Todahiko Murata and Shigemitsu Tomioka. Effectiveness of Genetic Local Search Algorithms. Proc. of the 7th International conference on Genetic Algorithms, USA, MSU, East Lansing, 1997.pp.505−513
  62. Mark Land, John,!Sidorovich and Richard K.Belew. Using Genetic Algo-rithms with Local Search for Thin Film Metrology. Proc. of the 7th International conference on Genetic Algorithms, USA, MSU, East Lansing, 1997 .pp.537−545
  63. В.М.Курейчик.В. В. Курейчик.Генетические алгоритмы в комбинаторно логических задачах искусственного интеллекта. Сб.науч.трудов 6-ой национальной конференции с международным участием КИИ'98.Пущино. 1998. с.720−726
  64. В.Н. Дцвиденко. Методика генетического поиска для задачи канальной трассировки. Тезисы докладов-0 4-ой Всероссийской научной конференции стуtдентов и аспирантов, Таганрог, 1998, с.68−69
  65. М.Н.Рябец.Последовательный генетический алгоритм компоновки. Тезисы докладов 4-ой Всероссийской научной конференции студентов и аспирантов, Таганрог, 1998, с. 80−81
  66. С.В.Фролов.Трассировка СВИТЧ-бокса методом генетического поиска. Тезисы докладов 4-ой Всероссийской научной конференции студентов и аспирантов, Таганрог, 1998, с. 83−84
  67. С.Н.Щеглов.Управление характеристиками генетических алгоритмов с использованием принципов адаптации. Тезисы докладов 4-ой Всероссийской научной конференции студентов и аспирантов, Таганрог, 1998, с.84−85
  68. В.Б.Лебедев.Генетические процедуры трассировки в коммутационном блоке. Тезисы докладов 4-ой Всероссийской научной конференции студентов и аспирантов, Таганрог, 1998, с.87−88
  69. А. В. Ведерникова О.Г.Чернышев Ю. О. Нетрадиционные алгоритмы решения задач оптимизации при проектировании БИС. Сб. науч. трудов РИАТМа.выпуск 1.1994., с.66−78
  70. Ведерникова О. Г. Метод эволюционной адаптации для решения задачи размещения. Сборник трудов научно-технической конференции РГАСХМа.1996.
  71. Spears W.M. Crossover or mutation? Proc. of the Foundation of Genetic Algorithm Workshop. Morgan Kaufmann, 1992.
  72. De Jong K., Spears W. M. A Formal Analysis of the Role of Multi-Point Crossover in Genetic Algorithms. Annals Of Mathematics and Artificial Intelligence Journal, v. 5, No 1,1992, pp. 1−26.
  73. Spears W.M. Adapting Crossover in a Genetic Algorithm. Naval Research Laboratory, AI Center Report AIC-92−025. Washington, 1992.
  74. О.Г. Разработка адаптированного оператора мутации для задачи квадратичного назначения в генетических алгоритмах. Тезисы докладов 4-ой Всероссийской научной конференции студентов и аспирантов, Таганрог, 1998, с.61−63
  75. Collins R., Jefferson D. Selection in Massively Parallel Genetic Algorithm. Proc. of the 4-th Interna-tional Conf. on Genetic Algorithms. San Mateo. Morgan Kaufinan, 1991.
  76. Goldberg D.E., Kalyanmoy D. A comparative analysis of selection schemes used in genetic algorithms. In Rawlings G.(Ed.). Foundations of Genetic Algorithms. Indiana University. Mogan Raufinann, San Mateo, CA, 1991.
  77. Elketroussi M., Fan D. GADELO: A Multi-Population Genetic Algorithm Based on Dynamic Exploration of Local Optima. Proc. of the Fith International Conference on Genetic Algorithms. San Mateo. Morgan Kaufinan, 1993.
  78. Baker J. Adaptive Selection Methods for Genetic Algorithms. In: Grefenstette J. (Ed.) Proc. of the First International Conference on Genetic Algorithms and Their Applications. Hillsdale, N.J. Lawrence Erlbaum Ass., 1985.
  79. Whitley D. The Genetic Algorithm and Selection Pressure: Why Rank-Based Allocation of Reproductive Trials is Best. In: Schaffer D.(Ed.) Proc. of the Third International Conference on Genetic Algorithms. San Mateo. Morgan Kaufmann, 1989.
  80. Mahfoud S. An Analysis of Boltzman Tornament Selection. IlliGAL Report No 91 007, University of Illinois, Urbana Champaign, 1991.
  81. Potts C.I., Giddens T.D., Yadav S.B. The Development and Evaluation of an Improved Genetic Algorithm Based on Migration and Artificial selection. IEEE Trans. On Systems, Man and Gybernetics, vol. 24, № 1,1994, p 73−86.
  82. A, Petrowski. A New Selection Operator Dedicated to Speciation. Proc. of the 7th International conference on Genetic Algorithms, USA, MSU, East Lansing, 1997 .pp. 144−152
  83. Koakutsu S., Sugai Y., Hirata H. Floorplanning by simulated annealing based on genetic algorithms. Transactions of the Insitute of Electrical Engineers of Japan, 112-c (7):411−416,1992.
  84. Davis L., Genetic Algorithms and Simulated Annealing. San Mateo. Morgan Kaufinan Publisher, 1987.
  85. Davis Т., Principe J. A simulated Annealing Like Convergence Theory for the Simple Genetic Algorithm. Proc. of the Fourth International Conference on Genetic Algorithms. San Mateo. Morgan Kaufman, 1991
  86. Goldberg D. A Note on Boltzman Tournament Selection for Genetic Algorithms and Population-Oriented Simulated Annealing. Complex Systems, 4, 1990, pp.445−460.
  87. Genetic Algorithms and Simulated Annealing. Editor L. Davis, Pitman, London, 1987,216 p.
  88. О.Г. Метод решения задачи размещения, основанный на комбинировании методов эволюционной адаптации и имитации отжига. Известия ТРТУ. Интеллектуальные САПР Таганрог.1997.с.219−220
  89. О.Г. Генетический метод с процессом селекции, основанным на принципе имитации отжига. Известия ТРТУ. Интеллектуальные САПР Таганрог. 1998.с.205−206
  90. М. Математическое программирование. М., Наука, 1990.
  91. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. М., Мир, 1979.101.3айченкоЮ.П.Исследование операций. Киев:Вищашкола, 1975.320 с.
  92. Д. Жемчужины творчества программистов / пер. с англ. М., Радио и связь, 1990. 244 с.
  93. В. Комбинаторика для программистов / Пер. с польского Евстигнеева В. А., Логиновой О.А.М., Мир, 1988. 213 с.:ил.
  94. Е.Н. Статистические методы построения эмпирических формул: Учеб. пособие для втузов. М., Высшая школа, 1988. 239 е.: ил.
  95. А.К. Техника статистических вычислений. М., Наука., 1971. 576 е.: ил.
  96. Ю.П. Введение в планирование эксперимента. М., Металлургия, 1969. 157 с.:ил.
  97. Steinberg L. The backboard wiring problem: a placement algorithm. «SIAM Review», 1961, v.3,No.l, p.37−50.
  98. Hall K.M. An r-dimensional quadratic placement algorithm.-«Management Science», 1970, v. l7,No.3,p.218−229.
  99. Hiller F.S. Quantitative tools for plant layout analysis.-«The Journal of Industrial Engeneering», 16 3, v. 14, No 1, p.33−40,
Заполнить форму текущей работой

Сессия? Спокойно!