Методика кодирования решений для задачи надъячеечной трассировки Текст научной статьи по специальности «Компьютерные и информационные науки»

Секция интеллектуальных систем автоматизированного проектирования

дой итерации. Очевидно, что это число, конечно, приблизительное и меняется в зависимости от вероятности применения ГА. Особенно сильное влияние на число "выживающих" и "умирающих" схем при реализации ПГА оказывает значение целевой функции отдельной хромосомы и всей популяции.

Во многих проблемах имеются специальные знания, позволяющие построить аппроксимационную модель. При использовании ГА это может уменьшить объем и время вычислений и упростить моделирование функций, сократить число ошибок моделирования.

ГА это мощная стратегия выхода из локальных оптимумов. Она заключается в параллельной обработке множества альтернативных решений с концентрацией поиска на наиболее перспективных из них. Причем периодически в каждой итерации можно проводить стохастические изменения в менее перспективных решениях. Предложенные схемы эффективно используются для решения задач искусственного интеллекта и комбинаторно-логических задач на графах. ГА позволяют одновременно анализировать некоторое подмножество решений, формируя квазиогтти-мальные решения. Временная сложность алгоритмов зависит от параметров генетического поиска и числа генераций.

ЛИТЕРАТУРА

1. Holland John Н., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. University of Michigan , 1975.

2. Goldberd David E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Publishing Company. Inc. 1989, 412p.

3. Handbook of Genetic Algorithms, Edited by Lawrence Davis, Van Nostrand Reinhold, New York, 1991, 385p.

4. Курейчик В.М., Лях А.В. Задачи моделирования эволюции в САПР. Труды международной конференции (CAD-93), РФ - США. М. 1993.

5. Chambers L.D., Practical Handbook of Genetic Algorithms. CRS Press, Boca Ration FL, 1995, v. 1, 560 p., v. 2, 448 p.

УДК 621.382.82

В.Н. Давидсико

МЕТОДИКА КОДИРОВАНИЯ РЕШЕНИЙ ДЛЯ ЗАДАЧИ НАДЪЯЧЕЕЧНОЙ ТРАССИРОВКИ

Трассировка соединений является, как правило, заключительным этапом конструкторского проектирования СБИС. Эта задача является одной из наиболее трудоемких среди задач автоматизированного проектирования СБИС. Развитие технологии изготовления СБИС приводит к возникновению новых возможностей, использование которых позволит увеличить степень интеграции СБИС. Одной из таких возможностей является использование областей над активными элементами для проведения межсоединений. Задачей трассировки надъячеечных областей является перемещение части соединений из области канала в надъячеечные области. При этом удается уменьшить плотность канала и длину соединений в нём.

Известия ТРТУ

Специальный выпуск

Для решения задачи надъячеечной трассировки был использован генетический подход. Рассматривалось использование различных методов кодирования решений для данной задачи. По результатам экспериментальных исследований была выбрана кодировка, при которой ген определяет не только место расположения отрезка цепи (в канале или надъячеечной области), но и какой фрагмент удаляется из канала при попадании отрезка в надъячеечную область. Данная кодировка позволяет использовать стандартные операторы мутации и кроссинговера без модификации.

Для проведения сравнения был разработан пакет программ на языке С++. Экспериментальные исследования, проведенные на наборе стандартных тестов, показали, что применение генетического алгоритма с использованием данной методики кодирования позволяет улучшить качество получаемых решений на 6% при снижении временных затрат.

УДК 621.3681.3

В.В. Курейчик

ОБ ОДНОМ ГЕНЕТИЧЕСКОМ АЛГОРИТМЕ СЖАТИЯ ТОПОЛОГИИ

СБИС

Сжатие топологии есть заключительная процедура фазы детальной трассировки, когда она транслируется в топологию таким образом, чтобы конвертировать элементы электрических схем в соответствующие элементы топологии и минимизировать площадь кристалла .Проектировщики сталкиваются с тремя противоречивыми требованиями: спроектировать минимизированную по площади топологию; максимизировать функциональные возможности СБИС; минимизировать время и стоимость проектирования. Задачи сжатия обычно решаются на основе символической топологии (СТ).

Предлагается иерархическая процедура решения задач сжатия топологии с использованием параллельного генетического поиска. Опишем кратко схему генетического поиска. Первоначально производится конструирование (но не одной), а некоторого множества (четырех) популяций. В качестве элемента популяции выбирается порядок (реальный) расположения фрагментов топологии и соединений на плоскости. Первая популяция будет конструироваться случайным образом, вторая — на осно-п „ п

ве жадной стратегии, третья — на основе последовательных эвристик и четвертая популяция - смешанная (направленно-случайная). Производим сортировку элементов популяций согласно выбранной моделирующей функции. Она выбрана как стоимостная функция, максимизирующая среднюю площадь, занятую компонентами топологии и их соединениями. Производится элитная селекция родителей из каждой популяции. Далее применяются три оператора кроссинговера. Они применяются таким образом, чтобы каждый раз получались легальные решения. Затем производится сортировка и устранение наихудших элементов популяций, чтобы размер популяций оставался постоянным. При получении удовлетворительных результатов процесс завершается. Данные процедуры выполняются итерационно, и число генераций зависит от на-