Место хаоса в интеллектуальных системах Текст научной статьи по специальности «Компьютерные и информационные науки»

ведения соединительных связей, расчет оценки производительности схемы, проведение межэлементных соединений, а также ускорить процессы глобальной и локальной маршрутизации.

Анализ получаемых решений показал уменьшение задержки Elmora в среднем на 22%-32% при незначительном увеличении площади кристалла на 3%-6%. Исследования проводились на задачах размерностью от 100 до 200000 элементов. Единственным недостатком алгоритма оказались повышенные требования к памя-.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Jason Cong and David Pan: Interconnect Estimation and Planning for Deep Submicron Designs, - Department of Computer Science University of California.

2. Chan-Ping Chen and Yao Ping Chen: Optimal Wire Sizing Formula Under the Elmore delay Model, - Department of Computer Science University of California University of Texas.

УДК 004.89

М.Д. Сеченов, Ю.А. Киселев МЕСТО ХАОСА В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ

Хаос можно рассматривать как последовательность действий, которая не может быть определена, т.е. уровень энтропии системы очень велик.

Рассмотрим данную проблему на примере иерархической системы с обрат. , перед ними конкретные задачи. Если в общей задаче существуют подзадачи, которые определенный блок не может решить, то он транспортирует ее блоку, имеющему необходимые функции для решения. Поэтому любая сложная система состоит из блоков, каждый из которых наделен правами и имеет определенный функ, .

, , -щим (родительским) блоком на подзадачи и передается своим дочерним блокам. Так происходит до тех пор, пока подзадача не становится элементарной и может быть решена блоком, принявшим ее. Теперь рассмотрим, что же происходит с решением подзадачи. Блок, принявший ее, имеет определенные права на манипуляцию составляющими его функциями. В этом случае нет необходимости подавать запрос своему родителю на конкретную последовательность действий. Это означа-,

подзадачи. А, следовательно, не может знать и заранее определить действий до. -мах. При увеличении числа подзадач уровень хаоса возрастает. Для нахождения оптимального алгоритма решения поставленной задачи последовательность операций у дочерних блоков может меняться, что говорит о хоатизме внутри организо-. , исключения параметры и алгоритмы действий изучаемого объекта. При изучении объекта степень хаотических действий говорит нам о его изученности. Можно ска, , , -, , .

Для программиста, который создал законченный программный продукт, алгоритм действий программы никогда не будет хаотичным, так как данный человек сам описал последовательность действий. Но при имитации действий интеллектуального объекта всегда должен присутствовать процент энтропии, иначе данный объект просто станет высокоорганизованной программой, ничем не отличающейся от сегодняшних компьютерных программ. При создании интеллектуальных систем, одной из главных целей является воссоздание неопределенности, т.е. действий, ведущих к самостоятельному улучшению или же ухудшению параметров сис-.

своими алгоритмами действий.

УДК 681.3

..

УНИВЕРСАЛЬНЫЙ ПРОГРАММНЫЙ КОМПЛЕКС АВТОМАТИЗАЦИИ ПРОЕКТИРОВАНИЯ НЕЙРОННЫХ СЕТЕЙ*

Для автоматизации процессов принятия решений в САПР в настоящее время используется множество различных методов, зачастую основанных на принципах построения машинного или искусственного интеллекта Интеллектуальные технологии, применяемые для повышения точности и скорости принятия решений - один из последних этапов развития аналитических подходов. Последние десять лет идет активное развитие аналитических систем нового типа В их основе лежат имитации природных процес, .

Для моделирования поведения проектируемых нейронных сетей и алгоритмов их обучения был разработан программный комплекс, реализующий функции графического проектирования и генерации нейросетей с применением стандартных алгоритмических , -требностей решаемой задачи. Комплекс реализован на языке Java, что обеспечивает его переносимость на различные платформы, включая Unix- и Win32-coBMecraMbie. Показатели производительности комплекса, полученные в процессе моделирования, сравнимы с аналогичными показателями для специализированных программ, традиционно реализующих один или несколько статических алгоритмов для некоторых нейросетевых моде. -, , , нестандартной, служащей для реализации необходимого пользователю действия. В системе поддерживаются комплексные эволюционные вычисления для гибридных нейроге-нетических и кооперативно-со^вновательных моделей. Реализованы функции типичных и нетипичных нейронных сетей [1,3-6]: радиального базиса (RBFNN), Кохонена, Хопфил-, , . -ронные сети в автоматическом режиме, когда заданы только начальные условия, порядки межслойных и межнейронных связей, с учетом будущего алгоритма обуче-ния/обс^живания сети.

* Работа выполнена при поддержке Мин. образования, грант № Е02-2.0-44