CC BY
48
непосредственно с вершинами у. В результате каждая ЭС будет описана более полно с учетом косвенных признаков. Это позволит организовать и более эффективный поиск ЭС, максимально схожей с текущей. Наличие семантически обусловленных ассоциативных связей между признаками хеХ позволяет уточнить описание ЭС уе У и, тем самым, способствовать повышению правдоподобности .
Запрос, по которому осуществляется вывод (поиск соответствующей ЭС), представляет в общем случае нечеткое подмножество признаков, заданных значениями степеней принадлежности, описывающих текущую ситуацию (поисковый ), .
Логический вывод сводится к определению пути с максимальной оценкой между вершиной г, соответствующей текущей ситуации (поисковому образу) и всеми вершинами-заключениями на графе О1, образованном присоединением вершины г к графу О, задающему поле знаний [2]. Вершина г соединяете я с вершинами-признаками хеХ поля знаний ориентированными ребрами с весами, соответствующими степеням принадлежности соответствующего признака х в описании те-( ). -
му запросу (текущей ситуации) определяется оценкой пути, полученного в результате логического вывода.
Предложенная модель определения сходства некоторой ситуации (объекта, )
отбора из множества хранящихся в БД документов или иных объектов (описаний схем, ситуаций, методов, алгоритмов и т.п.), когда последние характеризуются взаимозависимыми признаками непосредственно или косвенно.
Предложенная выше структура интеллектуальной системы САПР+ИСППР естественным образом предполагает реализацию в виде распределенной архитектуры с использованием технологии «клиент-сервер». Здесь БД, БЗ, БМ находятся ,
схемы осуществляется в параллельном асинхронном режиме на АРМ-ах конструк-, .
БИБЛИОГРДФИЧЕСКИЙ СПИСОК
1. Берштейн Л.С., Карелин В.П., Целых А.Н. Модели и методы прииятия решений в интегрированных интеллектуальных системах. - Ростов-на-Дону: Изд-во РГУ, 1999.
2. . ., . .
системах. Препринт. - Ростов-на-Дону: Изд-во СКНЦВШ, 1999.
3. Тимаков С.О. Интеллектуальная система поддержки принятия решений. Тезисы докл. 1-й Всероссийской н-т. конф. "Компьютерные технологии в науке, проектировании и производстве". - Нижний Новгород, 1999.
А.А. Лежебоков
ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА РЕШЕНИЯ ЗАДАЧИ РАЗМЕЩЕНИЯ С УЧЁТОМ ВРЕМЕННЫХ ЗАДЕРЖЕК*
Введение. Процесс проектирования ЭВА является сложным и многоэтапным. Одной из задач проектирования является размещение модулей ЭВА в монтажном
* Работа выполнена при поддержке РФФИ (гранты № 05-08-18115, № 07-01-00511) и программ развития научного потенциала высшей школы 2006-2008 гг. (РНП.2.1.2.3193, РНП 2.1.2.2238).
пространстве. Высокая плотность размещения элементов ЭВА создает большие трудности при реализации соединений между ними. В этой связи задача размещения элементов на плоскости определяет быстроту и качество трассировки.
В общем виде задача размещения формулируется следующим образом: в монтажном пространстве задана область, которая разбивается на множество позиций (посадочных мест) P = {p1, p2, ..., pq}, число которых должно быть не меньше числа размещаемых элементов. Каждый элемент может занимать не более одного посадочного места, расстояние между которыми описывается симметричной матрицей расстояний D = ||dij||. Имеется множество элементов, связанных между собой множеством электрических цепей, которые необходимо разместить на мно-P , -
щения, при соблюдении наложенных ограничений.
Исходными данными при решении задачи размещения является прямоуголь-( ), ,
( ), -ний или его матричный (списковый) эквивалент. На прямоугольную конструкцию накладывается Декартова система координат с осями s и t, определяющая граф Gr, представляющий собой координатную решетку. Расстояние di,j между узлами i и j этого графа описывается выражением di,j = |si - sj| + |ti - tj|, при условии, что дорожки ведутся только под прямым углом, т.е. имеют строго вертикальное или строго горизонтальное положение.
Основными известными критериями при размещении [1] являются: минимальная суммарная длина связей, минимальная длина самой длинной связи, минимум числа возможных пересечений, минимум числа изгибов соединений, минимальная площадь кристалла. В настоящее время всё более актуальным становится ещё один критерий решения задачи размещения - суммарная величина временных задержек схемы [2]. В [2] описывается модель временных задержек, которую и предлагается использовать для разработки программного обеспечения решения .
Выбор языка и среды программирования. Язык C++ - это универсальный язык программирования, для которого характерны экономичность выражения, современный поток управления и структуры данных, богатый набор операторов.
, ++ -. ,
, . Такой метод построения программ часто называют абстракцией данных. Информация о типах содержится в некоторых объектах типов, определенных пользователем. Такие объекты просты и надежны в использовании в тех ситуациях, когда их тип нельзя установить на стадии компиляции. Программирование с применением таких объектов часто называют объектно-ориентированным. Этот метод дает более , .
В качестве среды программирования был выбран Borland C++ Builder 6.0 фирмы Inprise, так как он является мощной системой разработки, имеет множество , C++,
программирования с помощью визуального подхода, позволяет создавать 32битные приложения для работы в современных многозадачных операционных системах Windows 9x и Windows XP.
. -дачи размещения ставились следующие требования, которым должно удовлетво-
( ):
♦ ПО должно обладать интуитивно понятным интерфейсом, для обеспечения эффективной работы инженера-схемотехника.
♦ Ввод схемы должен осуществляться следующими способами:
■ ручной ввод;
■ загрузка из файла;
■ случайно синтезированная схема.
♦ Должен быть реализован блок сбора и вывода статистики работы алгоритма для осуществления экспериментальных исследований.
Алгоритм решения задачи размещения описан в [3]. Это модифицированный генетический алгоритм (ГА) [4], учитывающий реальные топологические параметры схемы и реализующий модель временных задержек [2] для подсчёта целевой .
Разработанная программная система позволяет работать с различными типами элементов. База данных элементов описывается и хранится отдельно, что делает разработанное ПО довольно гибким и универсальным инструментом решения .
Окно настроек генетического алгоритма и модели временных задержек представлено на рис.1. Настраиваемыми опциями алгоритма являются:
♦ выбор стратегии создания начальной популяции;
♦ операто р селекции;
♦ оператор кроссинго вера и его вероятность;
♦ операторы мутации и и нверсии и их вероятность;
♦ размер популяции и число итераций (количество поколений).
К настройкам модели относятся:
♦
;
♦ ёмкость загрузки контакта и ё мкость модуля на единицу длины;
Настройки генетического алгоритма
О
пастроики генетического алгоритма Стратегия
| стратегия дробовика -
Селекция
Н имбридинг 1-
Кроссинговер
| на основе золотого сечения -
Мутация и инверсия
| одноточечная инверсия -
Вероятность оператора кроссинговера [%} [8ЁП
Вероятность оператора мутации [X]
Вероятность инверсии [%) 155 тэ
Численность популяции [зЕГ и
Число итераций [жГ "3
Параметры модели временных задержек
Ведущее сопротивление Ид
|2,05
Ёмкость загрузки контакта Сд |1.53
Сопротивление медля на ед. длины 10.80
Ёмкость модуля на ед. длины |0,65
ОК
Рис.1. Настройки алгоритма и модели ершенных задержек
На рис.2 представлено главное окно программы, которое содержит изобра-
( ),
.
[■ Размещение элементов ЕНЕІ
| Файл Схема Алгоритм Информация 1
Рис.2. Исходное размещение элементов
После запуска и выполнения алгоритма элементы меняют своё расположение, согласно лучшей хромосоме в популяции. Пример решения задачи представлен на .3. -
ется возможность провести исследования алгоритма.
Рис. 3. Пример решения задачи размещения
, : редактирования матрицы связности элементов; изменения типов элементов; изменения размеров ДРП; просмотра локальных степеней каждого элемента, для определения максимально и минимально связного элементов.
.
исследований является определение временной сложности алгоритма (В С А) и сравнение эффективности алгоритма с классическими методами решения задачи.
Временная сложность алгоритма - это зависимость времени работы алгоритма от некоторого управляющего параметра. В данной работе управляющим параметром является размер хромосомы - количество элементов схемы.
Для определения ВС А алгоритма был проведён ряд экспериментов, в которых изменялось число элементов схемы, остальные параметры алгоритма оставались .
Таблица
Таблица результатов измерений времени работы алгоритмов для разного
количества элементов
Элементы 100 200 300 400 500
Эксп. №1 0,875 0,275 1,89 0,568 3,594 1,002 6,422 1,658 10,344 2,156
Эксп. №2 0,96 0,274 1,859 0,552 3,594 1,11 6,313 1,557 10,203 2,024
Эксп. №3 1,2 0,27 1,891 0,458 3,578 1,125 6,406 1,678 10,407 2,258
Эксп. №4 0,78 0,265 1,859 0,585 3,563 0,988 6,36 1,459 10,25 2,894
Генетический, Среднее значение (сек.) 0,95 1,87 3,58 6,38 10,30
, Среднее значение (сек.) 0,27 0,54 1,06 1,59 2,33
На рис.4 представлены графики зависимости времени работы от количества элментов схемы для классического последовательного и разработанного генетиче-.
Рис.4. Графики ВСА
Как видно из таблицы и графика, временная сложность генетического алгоритма близка к квадратичной и может быть выражена формулой 0(ап2). Для срав-
нения на этом же графике представлена временная сложность последовательного алгоритма, которая имеет линейный характер.
Заключение. Разработанное ПО позволяет эф фективно решать задачу размещения элементов СБИС с помощью модифицированного генетического алгоритма. Отдельно хранящееся описание элементов и обширные настройки алгоритма и модели сделали программу достаточно универсальной. Проведённые экспериментальные исследования позволили определить временную сложность алгоритма
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Норенков ИЛ. Основы автоматизированного проектирования. - М.: Изд-во МГТУ имени Н.Э.Баумана, 2000. - 360 с.
2. Лежебоков А.А., Гладков Л.А. Моделирование временных задержек при решении задачи размещения элементов СБИС // Известия ТРТУ. - Таганрог: Изд-во ТРТУ, № 1, 2007.
3. Лежебоков А.А., Гладков J1.A. Генетический алгоритм решения задачи размещения элементов СБИС с учётом временных задержек // Сборник трудов конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». - Коломна, 2007.
4. Гладков Л.А., Курейчик В.М., Курейчик В.В. Генетические алгоритмы. - Ростов-на-Дону: Ростиздат, 2004. - 395 с.
5. Shervani N. Algorithms for VLSI physical design automation. - USA, Kluwer Academy Pulisher, 1995. - p. 538.
6. Cong J., He L., Koh C. and Pan Z. Global interconnect sizing and spacing with consideration of coupling capacitance // In Proc. Int. Conf. on Computer Aided Design. 1997. - p. 570-573.
B.B. Лисяк, H.K. Лисяк, M.B. Лисяк*
ОБЗОР РАСПРОСТРАНЁННЫХ В РОССИИ САПР ФИРМЫ AUTODESK
Делая выбор в пользу той или иной САПР, следует, прежде всего, убедится, удовлетворяет ли она следующим требованиям [1]:
♦ Надёжность. Приобретая систему с нестандартным форматом хранения
, .
♦ Доступность. Если после приобретения САПР вы не сможете пройти необходимого обучения или не на высоте окажется техническая поддержка, то нормальная работа любой САПР маловероятна.
♦ Открытость. Если система «сама в себе» и её нельзя настроить или доработать под ваши потребности, то выбор такой системы - ошибка! Если смежникам будет тяжело обрабатывать вашу информацию или вы не сможете увеличить мощь системы или круг решаемых задач, то такую
« ».
♦ Стабильность. Система не должна постоянно менять основные принципы работы. Работа в САПР - это обычаи и своды правил. Поэтому только постоянство стиля САПР позволит вам вовремя и качественно выполнять
.
♦ Масштабируемость. Хорошая САПР удовлетворит любой кошелёк. Она позволит вам начать с «мадого решения» и со временем расширить систему до желаемого уровня.
Программные продукты фирмы Autodesk, Inc. США в значительной мере удовлетворяют перечисленным требованиям и можно сказать, что они являются , .
*
Работа выполнена при поддержке РФФИ (фанты № 05-08-18115, № 06-01-00272) и программ развития научного потенциала высшей школы 2006-2008 гг. (РНП.2.1.2.3193, РНП 2.1.2.2238).
