Наилучшие результаты получаются при N = 200, пучшее значение Г( IWi 0) равно 0,654. что соответствует значению функции S. равному 10,58. Среднее значение функции пригодности увеличивается за 10 поколений от 0.177 до 0,455.
Заключение
Как видно из приведенного материала, язык РДО обеспечивает реализацию ГС, имеющей в составе ИМ.ЭС и .блок оптимизации и, следовательно, обладает большой выразительной мощностью. ПГА позволяет проводить оптимизацию в столь сложной задаче как сосгавлениб расписания, однако требуется дополнительное исследование по выбору его параметров, обеспечивающих более высокую сходимость и эффективность, поскольку при решении этой и подобных задач оптимизации большую часть времени занимает расчет функций пригодности, что делает весьма актуальным минимизацию общег о числа особей за все время эволюции популяции.
ЛИТЕРАТУРА
1. Горнее В.Ф.. Емельянов В.В., Овсянников М.В. Оперативное управление в ГГТС. М.: Машиностроение., 1990. 341с.
2. Емельянов В.В. Ясиновекий С И. Представление знаний о дискретном производственном процессе в системах моделирования и управления // Приборы и системы управления, 1991, N 6, с. 1-3.
3. Емельянов В.В., Ясиновекий СИ. Продукционный имитатор дискретных процессов и систем // Вестник машиностроения, 1992, N 5, с. 41-44.
4. Ясиновекий С.И. Логический вывод в гибридных системах // Вестник МГТУ. Сер. Приборостроение ". 1994. N I.e. 88-95.
5. Конвей Р.В.. Максвелл B.JJ.. Миллер Л.В. Теория расписаний. - М.: Наука, 1975. - 358 с.
6. Holland J.N. Adaplive algorithm for discovering and using general patterns in groving knowledge-bases // Int. Journ. of Policy Analysis and Information Svstems, 1980, P. 217-240.
7. Holland J.N. Escaping Britteness: The possibilities of General-purpose
Learning Algorithems Applied to Parallel Rule-Based System // Machine Learning: An artificial intelligence approach / R.S. Michalski, J.G.Carbonell, T.M.Mitchell (eds). Los Altos, CA: Morgan Kaufmann, 1986. Vol.2. P. 593-623.
УДК 681.3 - 519.8
В.М. Курейчик, В.П. Карелин, В.М. Глушань Специализированные средства аппаратной поддержки интеллектуальных САПР и систем принятия решений
Интеллектуализация САПР предполагает имитацию деятельности конструктора в части накопления знаний об используемых алгоритмах проектирования, их модификации, способах оптимизации, проверки корректности проектируемых схем и т.п. [I].
Процесс проектирования один из наиболее интеллектуальных видов деятельности человека, поэтому уровень требований, предъявляемых к интеллектуальным САПР, превышает современный уровень технологии обработки информации. Автоматизировать удается только часть процесса проектирования.
Конструктор в процессе проектирования использует различные функции интеллекта: интуицию, творчество, ассоциацию, индукцию, силлогизмы,
узнавание, дедукцию, а также такие менее интеллектуальные приемы, как вычисление, поиск и выбор, сравнение с эталоном и др. Ввиду того, что деятельность конструктора в процессе проектирования и принятия тех или иных решений может быть как рефлекторной или реактивной (при возникновении типовой ситуации), так и интеллектуальной (при возникновении новой проблемной ситуации), необходимо использовать и соответствующие подходы к моделированию этих способов действия.
В настоящее время детально проанализированы и формализованы следующие функции: вычисление, поиск, выбор, сопоставление, дедукция.
Попытки наделить компьютер интеллектуальными способностями более высокого уровня, а именно: немонотонной логикой, доказательством по аналогии, индуктивным выводом, вероятностными методами рассуждений и т.д. пока не дают ощутимых практических результатов. Единственная возможность использовать при решении задач проектирования интеллектуальные функции на уровне дедуктивных правил вывода - это диалоговая система, в которой человек манипулирует построенной в компьютерной системе моделью, а система, включающая базу знаний и дедуктивный механизм вывода, помогает в этой работе [2].
С целью обеспечения большей гибкости в отражении знаний и опыта проектировщика в интеллектуальных САПР для представления знаний и выработки решения перспективным является лингвистический подход на базе теории нечетких'множеств и лингвистической переменной.
В качестве моделей представления знаний не только количественного но и качественного характера в настоящее время используются следующие [3]:
- системы нечетких импликативных правил ( продукций);
- системы нечетких описаний ситуаций;
- нечеткие семантические сети;
- нечеткие фреймовые сети;
- другие специальные модели: нечёткие ситуационные сети, нечёткие графы и гиперграфы и т.д..
Способ представления нечетких знаний в виде системы нечетких продукций наиболее универсален. Однако применение нечетких правил продукций требует изменения обычной процедуры доступа к продукционным правилам. Ь классических экспертных системах (ЭС) некоторое правило начинает работать за счет фильтрации базы фактов, т.е. установления соответствия между левой частью правила и фактами, описывающими текущую ситуацию. В общем случае это соответствие носит символьный характер и дает результаты в рамках двузначной логики "все или ничего" (правило работает или нет). В случае же нечеткого правила это не так: фильтрация становится семантической, т.е. рассматривается соответствие между нечеткими множествами, выражающими смысл факта и смысл условной части правила. При этом оценка соответствия будет градуированной. С нечетким фактом А' можно сопоставить описываемую правилом стандартную ситуацию А, не требуя, чтобы А=А', лишь бы А и А' имели сопоставимые, относительно близкие значения. Отсюда видно, что применение систем нечетких правил дает ряд преимуществ:
-можно моделировать неточную, например лингвистическую, информацию за счет представления различных смысловых оттенков и с помощью ограниченного числа правил;
-удается избежать дискретности функционирования обычных четких систем продукционных правил, в которых полученные результаты могут сильно искажаться при переходе от одной стандартной ситуации к другой;
-правила могут работать даже тогда, когда реальная ситуация неточно соответствует предусмотренной, что часто бывает во многих практических случаях
Н|.
Несмотря ни то. что по сравнению с классическими логическими методами продукционные модели более наглядно отражают знания, им не хватает строгости: они, по сути дели, являются эвристическими. Поэтому в автоматизированных системах проектирования и управления наряду с продукционными моделями часто используются ситуационные модели, в которых ограниченный набор нечетких ситуаций может описывать практически бесконечное число состояний, возникающих в процессе проектирования. Логический вывод в системе нечетких ситуаций основан на одношаговой или многошаговой процедуре определения максимальной степени соответствия текущёи нечеткой ситуации ситуациям, принятым за эталонные, которым поставлены в соответствие принимаемые решения.
Все большее применение для представления знаний находят также нечеткие семантические и фреймовые сети. Логический вывод на семантических и фреймовых сетях может выполнятся различными методами: методом поиска перечислений, методом наложения и др. [5].
Следует особо отметить, что реализация систем управления базами данных и знаний (БДиЗ), процедур логического вывода, сложных комбинаторно-логических и информационно-поисковых процедур, связанных с необходимостью поиска, сравнения, комбинаторного оценивания вариантов, преобразования данных средствами лишь программного обеспечения как традиционных ЭВМ, так и многопроцессорных систем в большинстве случаев не удовлетворяет требованиям необходимой эффективности управления информационными ресурсами. Поэтому в настоящее время важным йаправлением исследований является создание аппаратных средств для реализации указанных процедур, которые в силу своей специфики обладают естественйым параллелизмом и легко отображаются на параллельные структуры.
Ряд перспективных устройств для реализации поиска информации и логического вывода рассмотрен в [6-8].
Наряду с операциями поиска в САПР и системах принятия решений (ПР) широко используются операции, связанные с преобразованием структур данных. Эти операции особенно Ьажны при работе с БДиЗ.
Выделяют следующие классы операций преобразования: копирование
(размножение), маскирование, расстановку, перестановку. Последний класс операций включает различные перегруппировки элементов массива данных: сдвиг, сортировку, слияние, отражение, тасование [9]. Среди этих операций сортировка является одной из самых распространенных. Так, например, в реляционных системах управления базами данных операция сортировки занимает до 40° о времени.
При аппаратной реализации операций поиска и упорядочения данных наибольшего быстродействия позволяют достичь устройства, имеющие структуру либо матрицы, либо линейки, построенной из одноразрядных ячеек анализа. Такие устройства составляют основу однородныхпараллельных процессоров, рассмотренных в [9].
Для более эффективного использования возможностей оборудования при построении ассоциативных параллельных процессоров в [10] была разработана ассоциативная ячейка памяти, выполняющая следующие операции: поиск равного, поиск ближайшего меньшего (поиск мак-симума), поиск ближайшего большего (поиск минимума), маскирование слова. Ассоциативный параллельный процессор, построенный в виде линейки из N таких ячеек, осуществляет параллельную векторную обработку массива из N слов. Устройство для сортировки, содержащее матрицу однотипных ячеек анализа, предложено в [11].
Наряду с рассмотренными типами устройств, важный класс составляют средства аппаратной поддержки процедур выработки решений на основе преобразований и обработки нечетких данных и знаний. Вопросам создания специализированных технических средств, ориентированных на обработку
нечеткой информации, в последнее время уделяется все большее внимание [12-14]. Это связано со стремлением вывести существующие интеллектуальные системы за рамки простых символьных выводов и приблизить их к мышлению человека. Использование для представления знаний специалиста-проектировщика нечетких множеств и нечеткой логики позволяет расширить возможности ЭС и САПР в отношении моделирования рассуждеЯний и принятия решений [15].
Для эффективной реализации нечетких алгоритмов управления, принятия решения и логического вывода, требующих переработки большого объема информации в условиях дефицита времени, предлагается использовать специализированные технические средства, получившие название лингвистических, так как они ориентированы на обработку качественной нечеткой информации, задаваемой при помощи лингвистических переменных [12,13].
Наиболее распространенной операцией в интеллектуальных системах принятия решений является логический вывод. Вывод на основе нечетких правил продукций является обобщением традиционного дедуктивного вывода (правила modus ponens). Его можно реализовать двумя способами. Первый основан на использовании нечеткого отношения R, которое представляет собой нечеткую матрицу, формализующую заданную систему нечетких правил. Результатом логического вывода является нечеткое множество, полученное путем максиминной композиции нечеткого описания входной ситуации с матрицу R.
Второй способ предполагает получение этого же результата, но без предварительной свертки системы нечетких правил в матрицу R. Однако в этом случае существенно усложняется аппаратная реализация процедуры вывода, что будет оправдано лишь в случае, когда в процессе работы системы ПР правила продукции должны модифицироваться и нет времени формировать новое отношение R [16]. Некоторые варианты устройств для реализации нечеткого композиционного вывода приведены в [17,18]. Эти устройства имеют регулярную структуру и высокое быстродействие.
Процедура вывода решений на основе установления сходства нечетких описаний ситуаций может быть аппаратно реализована при помощи устройств, рассмотренных в [19,20].
В заключение отметим, что использование нечетких подходов к представлению и обработке знаний, а также применение соответствующих аппаратных средств поддержки позволяет при выработке управляющих решений на различных этапах проектирования в большей степени учитывать и использовать накопленный опыт, чем в случае использования лишь четко описанных знаний и соответствующих моделей вывода.
ЛИТЕРАТУРА
1. Курейчик В.М. Концепция построения интеллектуальных САПР конструкторского проектирования.//Автоматиэация проектирования электронной аппаратуры. Вып.6.Таганрог,1989. с.4-8
2. Борисов А.Н. Системы, основанные на знаниях, в автоматизированном проектировании. Методическая разработка. Рига. Рижский политехи, ин-т, 1988. 126 с.
3. Карелин В.П..Коровин С.Я.,Мелихова O.A. Представление и обработка нечётких знаний в медицинских информационных системах// Медицинские информационные системы.ВыпА Таганрог, 1993.С.192-197.
4. Дюбуа Д.,Прад А. Теория возможностей. Приложения к представлению знаний в информатике Пер. с фр. М.: Радио и связь, 1990. 288 с.
5. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука. Г, 1988. 384с.
6. A.c.N 1789994. Устройство для поиска информации../ В.М. Глушань, В.М.Курейчик, A.B. Пришибской Опубл. 1993. Бюл.З. Глушань В.М., Пришибской
A.В
7. Специализированная структура полисиллогического вывода. Перспективные системы обработки информации. Под ред. Я.А.Дуброва. 1990. 59с.(Препринт АН УССР. Институт прикл. проблем механики и математики. 6-90, с.31-34).
8. Патент РФ N 1749897 от 1993г. Устройство для полисиллогического вывода. /В.М Глушань., / В.М Курейчик.. A.B. Пришибской. Опубл. 1992, БИ 27.
9. Фет Я. И. Параллельные процессоры для управляющих систем М.: Энергоиздат, 1981.- 160 с.
10. A.c. 1635216, СССР, G11 С 15/00. Ассоциативная ячейка памяти /
B.П.Карелин и др. Опубл. 1991. Bkwi.NIO.
11. A.c. 1647562, СССР, G06 F 7/06. Устройство для сортировки двоичных чисел/ В.П.Карелин и др. Опубл. 1991. Bkwi.N17.
12. Мелихов A.H.,Берштейн Л.С..Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. 272 с.
13. Мелихов А.Н.Баронец В.Д. Проектирование микропроцессорных средств обработки нечёткой информации. Ростов н/Д: РГУ, 1990. 128 с.
14. Глушань В.М..Карелин В.П..Курейчик В.М. Средства аппаратной
поддержки обработки данных и знаний в интеллектуальных САПР //Интеллектуальные САПР. Вып.1. Таганрог, 1994. С. 130.
15. Карелин В.П.,Каркищенко А.Н.,Гитис С.А. Использование
продукционных экспертных систем в САПР СБИС. //Тезисы докл. Всесоюзн. научн.-технич. конф. Москва, 1987. С.32.
16. Карелин В.П. Теория , и средства поддержки комбинаторных моделей принятия решений в организационно-технологических системах. Дисс. докт. техн. наук. Таганрог: ТРТУ, 1995г. 334 с.
17. A.c. 1449984 СССР, G06 F7/04. Устройство для определения
максимального числа /В.П.Карелин и др. Опубл. 1989.Бюл.Ы-2.
18. A.c. 1509868 СССР, G06 F7/02. Устройство для сравнения чисел /
A.Н.Мелихов, В.П.Карелин. Опубл. 1989.Бюл.N-35.
19. A.c. 1541593, СССР, G06 F 7/06. Устройство для сравнения I В.П.Карелин и др. Опубл. 1990. Bk»i.N5.
20. A.c. 1525699, СССР, G06 F 7/02. Устройство для сравнения множеств /
B.П.Карелин и др. Опубл. 1989. Bkmi.N44.
УДК 658.512.2
A. Tetelbaum, М. Shanblatt CAD METHODOLOGY FOR BEHAVIORAL TO PHYSICAL LINKAGE
I. Introduction
Many current and emerging IC applications are extremely complex digital containing programmable and customized parts with very high requirements to theii parameters (cost, area, power consumption, and clocking frequency). To design such VLSIs the CAD methodology should support hardware/software co-design and include new tools that will allow to take into account system-level specification, hardware/software partitioning, concurrent design of hardware/software parts, methods for early prediction and evaluation of the layout, etc. In particular, a logical initial circuit design step should include an estimation of the required power consumption and chip area limitations [1]. Specifically, information of this type is needed to ensure