CC BY
48
14. Kureychik V.M. Overview and problem state of ontology models development, 9th International Conference on Application of Information and Communication Technologies, AICT
2015 - Proceedings 9, 2015, pp. 558-564.
15. Semenova A. and Kureychik V. Application of swarm intelligence for domain ontology alignment, Proceedings of the First International Scientific Conference "Intelligent Information Technologies for Industry" (IITI'16), 2016, Vol. 1, pp. 261-270.
16. Bova V., Kureichik V. and Zaruba D. Heuristic approach to model of corporate knowledge construction in information and analytical systems, 2016 IEEE 10th International Conference on Application of Information and Communication Technologies (AICT), Baku, 2016, pp. 1-5.
17. Kureichik V., Zaporozhets D., and Zaruba D. Generation of bioinspired search procedures for optimization problems, Application of Information and Communication Technologies, AICT
2016 - Conference Proceedings, 2016, Vol. 10.
18. Kar K. Bio inspired computing - A review of algorithms and scope of applications, Expert Systems with Applications, 2016, Vol. 59, pp. 20-32.
19. Zaporozhets D., Zaruba D., and Kulieva N. Parallel approach for bioinspired algorithms, Journal of Physics: Conference Series Ser. "International Conference Information Technologies in Business and Industry 2018 - Enterprise Information Systems ", 2018.
20. Fister I., Fister I.Jr, X.S. Yang and J. Brest. A comprehensive review of firefly algorithms, Swarm and Evolutionary Computation, Elsevier, 2013, Vol. 13, pp. 34-46.
21. Fister I., Fister I.Jr., Brest J. and Yang X.S. Memetic firefly algorithm for combinatorial optimization, Bio Inspired Optimisation Methods and Their Applications, 2012, Vol. 2, pp. 75-86.
22. Pal S.K., Rai C.S. and Singh A.P. Comparative study of firefly algorithm and particle swarm optimization for noisy non-linear optimization problems, I J Intelligent Systems and Applications, l, Mecs press, 2012, pp. 50-57.
23. Bova V.V., NuzhnovE.V., Kureichik V.V. The combined method of semantic similarity estimation of problem oriented knowledge on the basis of evolutionary procedures, Advances in Intelligent Systems and Computing, 2017, Vol. 573, pp. 74-83.
Статью рекомендовал к опубликованию к.т.н., доцент С.Г. Буланов.
Кравченко Юрий Алексеевич - Южный федеральный университет; e-mail: [email protected]; 347928, г. Таганрог, пер. Некрасовский, 44; тел.: 88634371651; кафедра систем автоматизированного проектирования; доцент.
Курситыс Илона Олеговна - e-mail: [email protected]; кафедра систем автоматизированного проектирования, аспирант; ассистент.
Kravchenko Yury Alekseevich - Southern Federal University; e-mail: [email protected]; 44, Nekrasovskiy, Taganrog, 347928, Russia; phone: +78634371651; the department of computer aided design; associate professor.
Kursitys Bona Olegovna - e-mail: [email protected]; the department of computer aided design; graduate student.
УДК 658.512 DOI 10.23683/2311-3103-2019-2-26-34
В.М. Курейчик, В.И. Данильченко ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ПЛАНИРОВАНИЯ РАЗМЕЩЕНИЯ СБИС
Рассмотрена проблема решения задачи размещения при проектировании радиоэлектронной аппаратуры. Поставленная задача относится к классу МР-полных и для нее не существует точного полиномиального алгоритма. Цель данной работы заключается в нахождении путей оптимизации планирования размещения СБИС с применением модифицированного генетического алгоритма. Актуальность работы состоит в том, что используемый модифицированный генетический алгоритм позволяет повысить качество планирования размещения. Научная новизна заключается в разработке модифицированного генетического алгоритма. Модифицированный генетический алгоритм использует знания о решающейся задаче, что позволяет быстрее получать эффективные локальные ре-
шения. Постановка задачи в данной работе заключается в следующем: оптимизировать размещение СБИС путем применения генетического алгоритма, минимизировать пустое пространство, тем самым сократить габариты площадки для размещения. Принципиальное отличие от известных алгоритмов в использовании новых генетических операторов: сегрегации, кроссмутации. Результаты работы подтверждаются экспериментом, проведенном на тестовых функциях для алгоритмов оптимизации. На основе проведенных экспериментов необходимо отметить, что такой алгоритм обладает лучшими характеристиками при оптимизации размещения СБИС. Площадь размещения уменьшилась с 9,14 мкм2 на 7,56 мкм2. Практическая применяемость данного алгоритма актуальна в поисковых и оптимизационных задачах.
Генетический алгоритм; размещение элементов СБИС; оптимизация; оператор сегрегации; оператор кроссмутации.
V.M. Kureichik, V.I. Danilchenko GENETIC ALGORITHM PLANNING THE VLSI PLACEMENT
The paper deals with the problem of solving the problem ofplacement in the design of electronic equipment. The task belongs to the class NP-complete and for it there is no exact polynomial algorithm. The purpose of this work is to find ways to optimize the planning of the placement of VLSI using a modified genetic algorithm. The relevance of the work lies in the fact that the modified genetic algorithm used allows to improve the quality ofplacement planning. Scientific novelty is the development of a modified genetic algorithm. The modified genetic algorithm uses knowledge about the problem being solved, which makes it possible to quickly obtain effective local solutions. The statement of the problem in this paper is as follows: to optimize the placement of the VLSI by applying the genetic algorithm, to minimize empty space, thereby reducing the size of the site for placement. The principal difference from the known algorithms in the use of new genetic operators: segregation, cross-switching. The results of the work are confirmed by an experiment conducted on test functions for optimization algorithms. Based on the experiments performed, it should be noted that such an algorithm has the best performance when optimizing the VLSI layout. The placement area decreased from 9.14 pm2 to 7.56 pm2. The practical applicability of this algorithm is relevant in search and optimization problems.
Genetic algorithm; placement of VLSI elements; optimization; segregation operator; crossmutation operator.
Введение. Генетический алгоритм (ГА) - это метод стохастической оптимизации, вдохновленный теорией эволюции. Согласно теории эволюции, живые организмы изменяют свои характеристики в ответ на изменение условий окружающей среды Непрерывное совершенствование технологии привело к сверхмалому размеру транзистора [1]. В результате больше количества модулей можно упаковать в фиксированную площадку.
Большую роль в стратегию развития эволюционного поиска внесли такие учёные, как: Гольдберг Д.Е., Растригин Л.Н., Холланд Д.Х., Курейчик В.М., Норенков И.П., Букатова И.Л., Батищев Д.И., и др. Генетические алгоритмы, эволюционные алгоритмы, а также алгоритмы роевого интеллекта являются фундаментальными направлениями научных исследований в области случайно-направленного поиска. Целью создания биоинспирированных алгоритмов является нахождение наилучшего, а не оптимального варианта размещения [2].
Методы автоматизированного конструкторского проектирования и технологической подготовки производства позволяют создавать высоконадежные сверхбольшие интегральные схемы (СБИС) в короткие сроки и при сравнительно низких затратах. Быстрый рост степени интеграции СБИС (проклятие размерности) приводит к увеличению трудоёмкости автоматизированного конструкторского проектирования [1, 2].
На сегодняшний день эффективным направлением в эволюционном моделировании являются вероятностные алгоритмы, основанные на процессах, происходящих в живой природе. Моделирование развития и совершенствования природы позволяет перейти к построению интеллектуальных систем. Проецируя закономерности окружающего мира на определенные сферы деятельности человека, мы получаем эффективный инструмент для решения задач проектирования СБИС.
В работе предлагаетсямодифицированный алгоритм размещения компонен-товСБИС на основе новых генетических операторов: сегрегации, кроссмутации [4, 5]. Предлагаемый модифицированный генетический алгоритм позволит повестить качество планирования размещения. Данный генетический алгоритм использует знания о решающейся задаче, что позволяет быстрее получать эффективные локальные решения.
Постановка задачи. В качестве входных данных используется некоторое множество элементов. Представим исходные данные в виде графовой модели. Тогда, имеем граф G(X, U), где Х - множество вершин (|X|=n), U - множество ребер [4]. Дано: Граф, множество позиций. Решение представляется в виде вектора R={ri | i=1,2...n}, где ri - номер вершины, помещенной в позицию. Необходимо F^ min.
Целевая функция имеет вид:
f = Х
j=i
d-
Г Л2
m (f (хУ
дх,. v J
— t , (1)
где £ - условие окончания поиска.
Для реализации алгоритма используются операторы сегрегации и кроссмутации. Определение направления, вдоль которого значение целевой функции изменяется наилучшим образом. Для этого в начальной точке поиска определяются альтернативные решения оптимизируемой функции по всем направлениям. Из набора альтернативных решений выбирается наибольшая по модулю производная (индивидуум) и соответствующая ей переменная изменяется до достижения локального оптимума. В новой точке определяются производные по всем остальным переменным, и производится поиск нового локального оптимума, далее цикл повторяется. Алгоритм повторяется до тех пор, пока не сработает критерий остановки. Критериев остановки может быть несколько. Например, если известно значение , то можем повторять алгоритм до тех пор, пока не достигнем некоторого значения, близкого к желаемому. Если значение длины неизвестно, то можем повторять шаги алгоритма до тех пор, пока на протяжении какого-то достаточно большого количества итераций найденное решение не будет улучшаться.
Основная часть. В данном разделе раскрываются преимущества использования генетического алгоритма в качестве инструмента оптимизации. Большинство других алгоритмов являются последовательными и расширяют пространство решения только в одном направлении. Однако в виду того что ГА имеет много решений в каждой итерации, то данный метод необходимо использовать в различных направлениях. Если один путь в генной иерархии не дает оптимального или "приемлемого" решения, его легко устранить и работать на перспективное потомство [8, 9]. Другая заметная положительная сторона генетических алгоритмов заключается в том, что они хорошо работают в задачах, для которых необходимо выстраивать сложный ландшафт проектирования - тех, где функция размещения прерывается, имеет неточности, изменяется с течением времени или имеет много локальных оптимумов.
Использовать
Конец работы ГА
Рис. 1. Структурная схема генетического алгоритма
£
ГА является итерационным алгоритмом, который запускается из популяции N индивидуумов созданных. В каждой k-й итерации, также называемой поколением, N индивидуумов оцениваются, отбираются, рекомбинируются с образованием новой популяции также из N индивидуумов, то есть вся популяция родителей заменяется новой популяцией.
Новое население используется в качестве входных данных для следующей итерации (генерации) алгоритма, и эта процедура обновления населения повторяется K раз, где K-число поколений ГА.
1: Initialisef[x](j) withrandomvalues // Создание массива f(x) со случайными значениями
2: forj<— 1 toNdo // увеличиваем шаг поиска 3: f[x](j) — FF(f[x](j)) // конфигурация новой популяции 4: end for 5: for j — 1 to N do
6: f[x](j) — SF // цикл повтора поиска
(Y[b](k),X[m](k)) 7: end for 8: for i— 1 to N do
9:
10 11 12
13
14
г л2 ( хУ
V 8xJ J
F = Z
j=i endfor
for v ^ 1 to P do
xv[m](k) ^ MF (zv[m](k)) endfor endfor
< £ // цикл проверки результата поиска
// если проверка отрицательна, начинаем новый поиск
Рис. 2. Псевдокод реализации алгоритма
На рис. 2 представлен псевдокод ГА [14]. Этот код детализирует все переменные и процедуры, которые будут использоваться в алгоритме размещения. Переменная хДш](к) представляет собой] индивидуум из т битов в К популяции, а Х[т](к) является вектором, который хранит N индивидуумов. Эта операция применяется ко всем индивидуумам и приводит к соответствующему значению уДА](к) для каждого j-го индивидуума, где Ь-число битов. Чем лучше значение уДа](к) индивидуума хДш](к), тем больше вероятность того, что она сохранится в новых поколениях.
Y [a\k ) =
У\ [a]( k )
yN [a]( k)
(2)
После вычисления величины каждого j-го индивидуума к-го поколения выполняется операция поиска. Цель пойска состоит в том, чтобы выделить индивидуума хДш](к) наряду с соответствующими значениями итерации, уДА](к), для того, чтобы произвести будущие популяции. Метод релаксации, используемый в этой реализации, является одним из часто используемых [15] и определяет направление, вдоль которого значение целевой функции, хранящейся в Х[ш](к). Функция выбора, имеет векторы Y[а](k) и Х[ш](к) из к-го поколения в качестве входных данных и для каждого входного значения выводит переменную WJ[ш](k), которая может принимать значение любой из N индивидуумов, хранящихся в коде Х[ш](к). Все значения W;r[ш](k) сгруппированы в
W [m\k ) =
wl[m](k )
WN [m](k)
(3)
Для поворота участков или всей хромосомы на 180° исспользуется модель инверсии.
^ [т]( к )
Z [m\k ) =
[m]( k )
(4)
Алгоритм начинает работу размещая блоки случайным образом вдоль заданного прямоугольника размещения. Перед размещением прямоугольники ориентируются вертикально или горизонтально. Все расположения образуют первую популяцию. Пользователь может решить число итераций, которые будет рассматривать ГА для того чтобы вычислить окончательный план размещения. Перегородки также играют важную роль в определении мертвой зоны.
z
Следующим шагом является оценка текущей популяции. Функция оценки -это настраиваемое уравнение, ориентированное на максимизацию неиспользуемой площади. Общая площадь, как и суммарная площадь входных модулей, является фиксированной. Таким образом, не имеет значения, максимизируем ли мы неиспользуемую площадь или минимизируем мертвое пространство. Наша функция оценки выбирает первое и вычисляет неиспользуемую площадь, которая служит оценкой данной популяции.Кроме того, если минимальный результат достигается менее чем за заданное число итераций, алгоритм останавливается и представляет текущую совокупность в качестве конечного оптимизированного результата [17, 18].
Экспериментальные исследования.В результате анализа выходных данных, авторами отмечается, что временная сложность разработанного модифицированного алгоритма не выходит за пределы полиномиальной зависимости, и может быть выражена формулой: О^аШ) - O(IpN3), где N - число элементов схемы, I - количество итераций (шагов) выполняемых алгоритмом (размер решаемой задачи). Усредненные результаты экспериментов отражены в табл. 1 и рис. 3, 4.
Таблица 1
Зависимость времени работы алгоритмов от размеров схемы (мкм2)
Число элементов схемы
Алгоритмы 100 200 300 400 500 600 700 800 900 1000
ГА 0,2 0,71 0,94 1,31 1,53 2,04 2,32 3,33 4,71 7,56
Cadence 0,23 0,9 1,13 1,43 1,81 2.33 2,58 3,81 5,28 9,14
120 100 80 60 40 20 0
t /
t
0 100 200 300 400 500 600 700 800 900 1000 Число элементов схемы -Генетический алгоритм---
---Инструмент Cadence
Рис. 3. Графики зависимости времени работы алгоритмов от количества
элементов схемы
Итерации поиска
Рис. 4. График зависимости незадействованного пространства на площадке от итераций поиска в процентном соотношении
Макет из 1000 блоков при проектировании с использованием инструмента Cadence [16] составляет 9,14 мкм2. Тот же вход при подаче в наш предложенный алгоритм возвращается результат с площадью 7,56 мкм2, что позволяет разместить блоки с минимальным уровнем незадействованного пространства площадки. Максимальная высота была зафиксирована как 4 мкм, а длина варьировалась от мест размещения. Вычислительно составляет 1 мкм, что дает 7,56 мкм2 в качестве конечной площади.
Заключение. Внедрение нано-метровых стандартов, размещение СБИС преобразовывался в мульти-задачу оптимизации. ГА позволяет обеспечить оптимальное решения проблемы, как это надежный метод. Он применим как к непрерывным, так и к дискретным задачам оптимизации. Генетические алгоритмы являются одним из лучших способов решения проблемы. ГА являются очень общим алгоритмом и поэтому хорошо работают в любом пространстве поиска.
В данной работе описан модифицированный генетический алгоритм, основанный на принципе новых генетических операторов: сегрегации, кроссмутации. Предлагаемый модифицированный генетический алгоритм позволит повестить качество планирования размещения. Данный генетический алгоритм использует знания о решающейся задаче, что позволяет быстрее получать эффективные локальные решения.
На основе проведенных экспериментов можно сделать вывод о практической применимости данного алгоритма в поисковые и оптимизационные задачи.
Моделирование показало, что такой алгоритм обладает лучшими характеристиками при оптимизации размещения СБИС. Площадь размещения уменьшилась с 9,14 мкм2 на 7,56 мкм2.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Данильченко В.И., Курейчик В.М. Классификация и анализ методов решения задачи размещения СБИС // Информатика, вычислительная техника и инженерное образование.
- 2018. - Вып. 1.
2. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. - М.: Физматлит, 2006, 2010. - 386 с.
3. Wu Y., JiangH., Zou M. The Research on Fuzzy PID Control of the Permanent Magnet Linear Synchronous Motor // Physics Procedia. - 2012. - Vol. 24. - P. 1311-1318.
4. Лебедев Б.К., Лебедев О.Б. Методы размещения: монография. - Таганрог: Изд-во ТРТУ, 2006.
5. Запорожец Д.Ю., КравченкоЮ.А., ЛежебоковА.А. Способы интеллектуального анализа данных в сложных системах // Известия Кабардино-Балкарского научного центра РАН.
- 2013. - № 3. - С. 52.
6. The International Technology Roadmap for Semiconductors report, 2012. - URL: http://www.itrs.net/Links/2012ITRS/2012Chapters/2012Overview.pdf (дата обращения: 2019).
7. Рутковский Лешек. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2010. - 425 с.
8. Pham D.T., Ghanbarzadeh A., Kog E., Otri S., Rahim S., Zaidi M. The Bees Algorithm.
- 2008.
9. Кулиев Э.В., Заруба Д.В. Работа гибридного поиска размещения компонентов СБИС // Тр. молодых ученых ЮФУ и Южного научного центра РАН «Высокопроизводительные вычислительные системы». - Изд-во Ростов-на-Дону - Таганрог, 2012. - Вып. 2. - С. 43-46.
10. Норенков И.П., Арутюнян Н.М. Эволюционные методы в задачах выбора проектных решений // Научно-техническое издание МГТУ им. Н.Э. Баумана «Наука и образование». - 2007. - № 9.
11. Кулиев Э.В. Задача размещения элементов ЭВА с использованием генетического алгоритма и алгоритма пчелиной колонии // Тр. конгресса по интеллектуальным системам и информационным технологиям «IS-IT'12». Науч. изд. в 4-х т. Т. 3. - М.: Физматлит, 2012. - С. 99-104.
12. МихеевМ.А. Основы теплопередачи. - 3-е изд. репринтное. - М.: Бастет, 2010. - 342 с.
13. HamedBeirami, Ali ZargarShabestari, Mohammad Mahdi Zerafat. Optimal PID plus fuzzy controller design for a PEM fuel cell air feed system using the self-adaptive differential evolution algorithm // International journal of hydrogen energy. - 10 August 2015. - Vol. 40, Issue 30. - P. 9422-9434.
14. Sivaranjani P. and Senthilkumar A. Thermal-Aware Non-Slicing VLSI Floorplanning Using a Smart Decision-Making PSO-GA Based Hybrid Algorithm // Journal of Circuits, Systems, and Signal Processing. - 2015. - Vol. 34. - P. 3521-3542. - http://dx.doi.org/10.1007/s00034-015-0020-x.
15. Wang, L. Fast Algorithms for Thermal-Aware Floorplanning // Journal of Circuits, Systems, and Computers. - 2014. - Vol. 23. Article ID: 1450098. - http://dx.doi.org/10.1142/ s0218126614500984.
16. Cadence, "Digital Implementation and Sign-off Flow," in Rapid Adoption Kits. [Online].
- URL: http://support.cadence.com/ (дата обращения: 2019).
17. Томас Х. Кормен, Чарльз И. Лейзерсон, Рональд Л. Ривест, Клиффорд Штайн. Алгоритмы: построениеианализ. - 3-е изд. - М.: Вильямс, 2014. - 1328 с.
18. More Than Moore's-3D-IC Economics and Design Enablement // Cadence design systems, 2013.
- URL:http://www.semi.org/en/sites/semi.org/files/docs/6SiP%20Global%20Summit%203DIC% 20Technology%20Forum%20_%20Brandon%20Wang.pdf (дата обращения: 22.01.2019).
19. Иванова Е.Н. Системы проектирования. Тенденции мирового рынка САПР СБИС // Электроника: Наука, Технология, Бизнес. - 2006.
20. Ковалев А.В. Технологии энергосбережения в микроэлектронных устройствах: монография. - Таганрог: Изд-во ТТИ ЮФУ, 2009. - 100 с.
REFERENCES
1. Danil'chenko V.I., Kureychik V.M. Klassifikatsiya i analiz metodov resheniya zadachi razmeshcheniya SBIS [Classification and analysis of methods for solving the problem of placement of VLSI], Informatika, vychislitel'naya tekhnika i inzhenernoe obrazovanie [Computer science, computer engineering and engineering education], 2018, Issue 1.
2. Gladkov L.A., Kureychik V.V., Kureychik V.M. Geneticheskie algoritmy [Genetic algorithm]. Moscow: Fizmatlit, 2006, 2010, 386 p.
3. Wu Y., Jiang H., Zou M. The Research on Fuzzy PID Control of the Permanent Magnet Linear Synchronous Motor, Physics Procedia, 2012, Vol. 24, pp. 1311-1318.
4. Lebedev B.K., Lebedev O.B. Metody razmeshcheniya: monografiya [Methods of placement: monograph]. Taganrog: Izd-vo TRTU, 2006.
5. Zaporozhets D.Yu., Kravchenko Yu.A., Lezhebokov A.A. Sposoby intellektual'nogo analiza dannykh v slozhnykh sistemakh [Methods of data mining in complex systems], Izvestiya Kabardino-Balkarskogo nauchnogo tsentra RAN [Izvestiya of Kabardino-Balkar scientific center of RAS], 2013, No. 3, pp. 52.
6. The International Technology Roadmap for Semiconductors report, 2012. Available at: http://www.itrs.net/Links/2012ITRS/2012Chapters/20120verview.pdf (accessed 2019).
7. Rutkovskiy Leshek. Iskusstvennye neyronnye seti. Teoriya i praktika [Artificial neural network. Theory and practice]. Moscow: Goryachaya liniya - Telekom, 2010, 425 p.
8. Pham D.T., Ghanbarzadeh A., Kog E., Otri S., Rahim S., ZaidiM. The Bees Algorithm, 2008.
9. Kuliev E.V., Zaruba D.V. Rabota gibridnogo poiska razmeshcheniya komponentov SBIS [Work of hybrid search for placement of VLSI components], Tr. molodykh uchenykh YuFU i Yuzhnogo nauchnogo tsentra RAN «Vysokoproizvoditel'nye vychislitel'nye sistemy» [Proceedings of young scientists of the southern scientific center of RAS "High-Performance computing systems"]. Izd-vo Rostov-on-Don - Taganrog, 2012, Issue 2, pp. 43-46.
10. Norenkov I.P., Arutyunyan N.M. Evolyutsionnye metody v zadachakh vybora proektnykh resheniy [Evolutionary methods in the problems of choice of design solutions], Nauchno-tekhnicheskoe izdanie MGTU im. N.E. Baumana «Nauka i obrazovanie» [Scientific and technical periodical of the Bauman MSTU N.E. Bauman "Science and education»], 2007, No. 9.
11. Kuliev E. V.Zadacha razmeshcheniya elementov EVA s ispol'zovaniem geneticheskogo algoritma i algoritma pchelinoy kolonii [The problem of Eva elements placement using genetic algorithm and bee colony algorithm], Tr. kongressa po intellektual'nym sistemam i informatsionnym tekhnologiyam «IS-IT'12» [Proceedings of the Congress on intelligent systems and information technologies "IS-IT'12". Scientific publication in 4 vol. Vol. 3]. Moscow: Fizmatlit, 2012, pp. 99-104.
12. Mikheev M.A. Osnovy teploperedachi [Fundamentals of heat transfer]. 3rd ed. Moscow: Bastet, 2010, 342 p.
13. HamedBeirami, Ali ZargarShabestari, Mohammad Mahdi Zerafat. Optimal PID plus fuzzy controller design for a PEM fuel cell air feed system using the self-adaptive differential evolution algorithm, International journal of hydrogen energy, 10 August 2015, Vol. 40, Issue 30, pp. 9422-9434.
14. Sivaranjani P. and Senthilkumar A. Thermal-Aware Non-Slicing VLSI Floorplanning Using a Smart Decision-Making PSO-GA Based Hybrid Algorithm, Journal of Circuits, Systems, and Signal Processing, 2015, Vol. 34, pp. 3521-3542. Available at: http://dx.doi.org/10.1007/s00034-015-0020-x.
15. Wang, L. Fast Algorithms for Thermal-Aware Floorplanning, Journal of Circuits, Systems, and Computers, 2014, Vol. 23. Article ID: 1450098. Available at: http://dx.doi.org/10.1142/ s0218126614500984.
16. Cadence, "Digital Implementation and Sign-off Flow," in Rapid Adoption Kits. [Online]. Available at: http://support.cadence.com/ (accessed 2019).
17. Tomas KH. Kormen, Charl'z I. Leyzerson, Ronald L. Rivest, Klifford Shtayn. Algoritmy: postroenieianaliz [Algorithms: construction analysis]. 3nd ed. Moscow: Vil'yams, 2014, 1328 p.
18. More Than Moore's-3D-IC Economics and Design Enablement, Cadence design systems, 2013. Available at: http://www.semi.org/en/sites/semi.org/files/docs/6SiP%20Global%20Summit% 203DIC%20Technology%20Forum%20_%20Brandon%20Wang.pdf (accessed 22 January 2019).
19. Ivanova E.N. Sistemy proektirovaniya. Tendentsii mirovogo rynka SAPR SBIS [Design system. Trends in the global CAD market VLSI], Elektronika: Nauka, Tekhnologiya, Biznes [Electronics: Science, Technology, Business], 2006.
20. Kovalev A.KTekhnologii energosberezheniya v mikroelektronnykh ustroystvakh: monografiya [Energy-saving technologies in microelectronic devices: monography]. Taganrog: Izd-vo TTI YuFU, 2009, 100 p.
Статью рекомендовал к опубликованию д.т.н., профессор Н.И. Витиска.
Курейчик Виктор Михайлович - Южный федеральный университет; e-mail: [email protected];
347928, г. Таганрог, пер. Некрасовский, 44; тел.: 88634311487; кафедра систем автоматизированного проектирования; д.т.н.; профессор.
Данильченко Владислав Иванович - e-mail: [email protected]; тел.:
89526088561; кафедра систем автоматизированного проектирования; аспирант.
Kureichik Viktor Mikhailovich - Southern Federal University; e-mail: [email protected];
44, Nekrasovsky, Taganrog, 347928, Russia; phone: +78634311487; the department of computer-
aided design; dr. of eng. sc.; professor.
Danilchenko Vladislav Ivanovich - e-mail: [email protected]; phone: +79526088561;
the department of computer-aided design; postgraduate.
УДК 004.822 Б01 10.23683/2311-3103-2019-2-34-47
В.В. Бова, Э.В. Кулиев, С.И. Родзин
ПРОГНОЗИРОВАНИЕ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ-АССИСТЕНТАХ НА ОСНОВЕ АЛГОРИТМА ПОИСКА КОСЯКОМ РЫБ*
Работа связана с решением проблемы персонализации ресурсов Интернет для повышения эффективности организации и сопровождения психологически-безопасного поведения пользователей в интернет-пространстве. Особую актуальность данная проблема приобретает для сферы интернет-обучения в условиях непрерывного роста числа образо-
* Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-29-22019.
