ПРИМЕНЕНИЕ ЭВОЛЮЦИОННЫХ ВЫЧИСЛЕНИЙ В
advertisement
ЭВОЛЮЦИОННЫЕ АЛГОРИТМЫ В ПРОЕКТИРОВАНИИ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ Ю.А.Скобцов1, В.Ю.Скобцов2 1 Донецкий национальный технический университет, Донецк, Украина 2 Институт прикладной математики и механики НАНУ, Донецк, Украина Разнообразные методы искусственного интеллекта (ИИ) широко применяются для повышения «интеллектуальности» САПР вычислительных систем (ВС), чтобы расширить их функции и увеличить эффективность. Одним из наиболее перспективных подходов является использование эволюционных алгоритмов (ЭА) [1]. ЭА – это активно исследуемое новое направление в теории и практике ИИ. Термин ЭА применяется в общем случае для алгоритмов поиска, оптимизации или обучения, которые основаны на некоторых формализованных принципах естественного эволюционного отбора. Для описания ЭА необходимо определить особь, популяцию, эволюционные операторы и фитнесс функцию. В общем случае ЭА может быть представлен следующей последовательностью операторов [1,2]: создание начальной популяции; оценка популяции; отбор лучших особей популяции; выполнение генетических операторов; создание новой популяции на основании старой; если не выполнено условие останова то переход на п.2; поиск лучшего решения в полученной популяции. При синтезе ЭА применимы на основных уровнях представления ВС: транзисторном, вентильном, функциональном [2]. Эволюционный подход используется, чтобы найти конфигурацию ВС, соответствующую данной спецификации. На разных уровнях представления применяются различные эволюционные операторы и представления особей (от простой бинарной строки до более сложных структур), и, соответственно, применяются различные эволюционные парадигмы (генетические алгоритмы (ГА), генетическое программирование (ГП), эволюционные стратегии (ЭС)) [2,3]. В настоящий момент ЭА активно применяются для адаптации непосредственно оборудования – адаптивных систем с подстраиваемыми параметрами [2,3]. В этом случае выделяется три основных направления: 1) внешняя, 2) внутренняя и 3) полная эволюция оборудования. Внешний эволюционный подход основывается на адаптации оборудования и его моделировании на инструментальном компьютере. Внутренний подход использует эволюцию на инструментальном компьютере, но при этом выполняется оценка эффективности реализации полученной модели. Наконец, в полной эволюции процесс реализуется как интегрированное решение на некоторой платформе. Эффективной областью применения ЭА является создание реконфигурируемых систем на основе FPGA. В этом случае микрочип реализуется как 2-мерная матрица логических ячеек, связанных между собой. Для такого представления эффективна графоподобная модель Картезианского генетического программирования [4,5]. Здесь применяется (1 ) -ES эволюционная стратегия [6]. В самом ближайшем будущем эволюционирующие системы будут реализованы на кристалле (SoC) и системах IP уровня. В настоящее время автоматически синтезированы эволюционными методами уже десятки цифровых и аналоговых схем, которые запатентованы и не уступают созданным «вручную» человеком. Таким образом, можно с определенной долей уверенности сказать, что мы вступаем в период эволюционирующегого оборудования. Список литературы 1. Goldberg D.E. Genetic algorithms in search, optimization and machine learning. – Addison-Wesley Publishing Company Inc., 1989. – 442p. 2. Secanina L. Evolutionary design of digital circuits: where are current limits? // Proceedings of the first NASA/ESA conference on adaptive hardware and systems, 2006. 3. Stoica A. Evolvable hardware for autonomous systems // CEC-2004, Tutorial.Portland, Oregon. 4. Miller J.F., Banzhaf W., Daida J., Eiben A.E., Garzon M., Honavar V., Jakiela M., Smith R.E. (eds.) An empirical study of the efficiency of learning boolean functions using a Cartesian Genetic Programming Approach // Proceedings of the 1st Genetic and Evolutionary Computation Conference. –San Francisco, CA: Morgan Kaufmann. – 1999. – Vol.2. – P.927-936. 5. Miller J.F., Job D., Vassilev V.K. Principles in the Evolutionary Design of Digital Circuits – Part I // Genetic Programming and Evolvable Machines. – Netherlands: Kluwer Academic Publishers. – 2000. – 1. – P.7-35. 6. Schwefel H.-P. Numerical Optimization of Computer Models. – Chichester, UK: John Wiley & Sons, 1981.
