صفحه محصول - پاورپوینت طراحی و بهینه سازی مدارات منطقی ترکیبی با استفاده از الگوریتم ژنتیک

پاورپوینت طراحی و بهینه سازی مدارات منطقی ترکیبی با استفاده از الگوریتم ژنتیک (pptx) 15 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 15 اسلاید

قسمتی از متن PowerPoint (.pptx) :

بنام خدا 1 طراحی و بهینه سازی مدارات منطقی ترکیبی با استفاده از الگوریتم ژنتیک 2 طراحی مدارات منطقی ترکیبی روش های تکاملی طراحی مدارات منطقی بهینه سازی تکاملی بحثی بر معیارهای طراحی روش اول معرفی شده روش دوم معرفی شده نتایج جمع بندي سيزدهمين کنفرانس دانشجويی مهندسی برق ايران سرفصل ها 3 طراحی از مدارات منطقی ترکیبی ◀با داشتن جدول درستی روش های متداول(فقط دو طبقه): جدول کارنو الگوریتم Quine-McClusky طراحی با استفاده از روش های تکاملی ◀سخت افزار تکاملی5(EHW) تاریخچه: اولین سعی برای استفاده از الگوریتم­های تکاملی برای بهینه سازی مدارها◀ توسطFridman [1] اولین استفاده از الگوریتم ژنتیک برای طراحی مدارات منطقی ◀ توسط S. J. Louis [2] برنامه ریزی ژنتیک ◀ Koza ◀ با تاکید بر بدست آوردن جواب و طراحی [3] پیاده سازی بهینه سازی ژنتیک بصورت باینری(BGA) و اعداد صحیح(N-cardinal یا NGA) : Carlos Coello [4] پیاده سازی چند هدفه (MGA) توسط Carlos Coello [4] کار های دیگر برای بهینه سازی تکاملی روی مدارات منطقی GA+SA ، PSO ، ACO. سيزدهمين کنفرانس دانشجويی مهندسی برق ايران طراحی مدارات منطقی ترکیبی 4 [1] Arturo Hernández Aguirreet al, “Using Genetic Programming and Multiplexers for the Synthesis of Logic Circuits”,Engineering Optimization, Vol. 36, No. 4, pp. 491--511, August 2004. [2] Sushil J. Louis, Gregory J.E. Rawlins: “Designer Genetic Algorithms: Genetic algorithms in StructureDesign”, Procs of the Fourth InternationalConference on Genetic Algorithm, pages 53-60, 1991 [3] J. R. Koza, “Genetic Programming; On the Programming of Computers by Means of Natural Selection”, MIT Press, 1992. [4] C.A.C. Coello et al, “Toward Automated Evolutionary Design of Combinational Circuits”, Department of Computer Science, Tulane University, New Orleans, USA, 1999. الگوریتم­های ژنتیک ◀ الگوریتم تکاملی ◀ با الهام از الگوی طبیعی گذار نسل ها و نظریه­ی انتخاب طبیعی داروین جمعیتی از جواب ها ◀ بهبود در هر نسل تابع برازندگی7، میزان انطباق کروموزم (میزان مناسب بودن جواب متناطر) را در مقایسه با مقادیر خواسته شده نمایش می دهد. سيزدهمين کنفرانس دانشجويی مهندسی برق ايران بهینه سازی تکاملی 5 معیار ها: تعداد گیت های بکاررفته ◀ گیت کمتر، زندگی بهتر! نوع ترانزیستورهای بکار رفته ◀ ساختار برخی گیت ها ساده تر است! تعداد سطوح طراحی مدار ◀ سطوح بیشتر موجب تاخیر است! پیچیدگی الگوریتم ◀ الگوریتم با پیچیدگی کمتر مطلوب است. اجزای متغیر در افراد ◀ گیت ها، ورودی گیت ها باید مطمئن بود ساختار مورد نظر می تواند تمامی حالات را شامل شود ◀ کامل بودن 1- {AND,OR,NOT} 2- {AND,NOT} 3- {OR,NOT} 4-{NAND} 5-{NOR} افزایش مجموعه گیت ها : موجب افزایش فضای جستجو امکان کوچک تر شدن مدارات سيزدهمين کنفرانس دانشجويی مهندسی برق ايران بحثی بر معیار های طراحی 6 هدف: طراحی مدار با گیت های دو ورودی مبدا ورودی ها : تمامی طبقات قبلی از جمله ورودی مجموعه گیت ها: NULL، AND، OR، NAND، NOR و XOR سيزدهمين کنفرانس دانشجويی مهندسی برق ايران کدینگ اول 7 هدف: طراحی مدار منطقی با گیت های چندین ورودی ورودی گیت ها: تمامی طبقات قبل از جمله ورودی مجموعه گیت ها: NULL، AND، OR، NAND، NOR و XOR سيزدهمين کنفرانس دانشجويی مهندسی برق ايران کدینگ دوم 8 تابع برازندگی: N-Null: تعداد گیت های Null N-Match: تعداد خروجی های منطبق بر خروجی مطلوب نتایج مناسب به ازای جمعیت اولیه: تصادفی: افزایش پراکندگی جواب ها عملگر ژنتیکی ترکیب: روش یک نقطه ای : با انتخاب اندیس تصادفی j به عنوان سطح، مدارات دو سمت اندیس را دو به دو به هم متصل کرده و مدار جدیدی را بدست می دهد. عملگر ژنتیکی جهش: خانه ای به طور تصادفی انتخاب کرده و مقادیر آن را به طور تصادفی عوض می کند. تضمین همگرایی برای هر تابعی: با استفاده از شکستن به دو قسمت روش انتخاب : چرخ رولت : موجب پراکندگی اعضای نسل بعدی سيزدهمين کنفرانس دانشجويی مهندسی برق ايران سایر مشخصات 9