автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Разработка подсистемы автоматизации проектирования магнитных головок для устройств накопления информации

На правах рукописи

ОБЖЕЛЯНСКИЙ Сергей Анатольевич

РАЗРАБОТКА ПОДСИСТЕМЫ АВТОМАТИЗАЦИИ ПРОЕКТИРОВАНИЯ МАГНИТНЫХ ГОЛОВОК ДЛЯ УСТРОЙСТВ НАКОПЛЕНИЯ ИНФОРМАЦИИ

Специальности 05.13.12 - «системы автоматизации проектирования» 05.27.01 -«твердотельная электроника,

радиоэлектронные компоненты, микро- и наноэлектроника, приборы на квантовых эффектах»

АВТОРЕФЕРАТ

диссертации на соискание учёной степени кандидата технических наук

Таганрог 2004

Работа выполнена на кафедре САПР Таганрогского Государственного Радиотехнического Университета (ТРТУ)

Научный руководитель: Научный консультант:

д-р техн. наук, проф. В.М. Курейчик д-р техн. наук,

проф. каф. физики С.П. Малюков

Официальные оппоненты:

д-р техн. наук, проф. Карелин В.П. канд. техн. наук, доц. Иванцов В.В.

Ведущее предприятие:

Южно-российский центр информатизации Ростовского Государственного Университета (г. Ростов-на-Дону)

Защита состоится " 30 " августа 2004 г. в 14— на заседании диссертационного совета Д212.259.03 по защите диссертаций при Таганрогском Государственном Радиотехническом Университете по адресу:

347928, г. Таганрог, пер. Некрасовский, 44, ауд. Д-406

С диссертацией можно ознакомиться в библиотеке Таганрогского Государственного радиотехнического университета.

Автореферат разослан "20" июля 2004 г.

Учёный секретарь диссертационного совета д-р техн. наук, проф.

А. Н. Целых

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время и в ближайшей перспективе основной тенденцией развития автоматизированного проектирования дискретных устройств (ДУ) является создание интегрированных интеллектуальных САПР, обеспечивающих сквозное проектирование от комплексного описания устройства на всех уровнях детализации объекта (архитектура, система, технология, схема, устройство) до его функционирования (изготовление, поведение на приборном, схемном, системном уровнях). Разработка сквозных интегрированных интеллектуальные САПР высших поколений, связанная, прежде всего, с усложнением объекта проектирования, обеспечением высоких технико-экономических параметров конкурентоспособных ДУ, приводит к необходимости переоценки ограничений и возможностей САПР, пересмотру многих принципов методологического обеспечения. При этом усилия проектировщиков необходимо сконцентрировать на создании систем, позволяющих не только ориентироваться в сложной инфраструктуре интегрированной САПР, но и синтезировать объектно-ориентированные подсистемы из ее структурных элементов применительно к конструктивно-технологическим и функционально-логическим особенностям реальных объектов.

Необходимо отметить, что наиболее значимым и наукоемким элементом в устройствах накопления информации (УНИ), а именно в устройствах магнитной записи, является магнитная головка (МГ), потому что её качество определяет объем размещаемой информации на единицу площади носителя информации (НИ), скорость записи -воспроизведения и другие важные характеристики УНИ. Исключительная сложность процессов, происходящих при записи и воспроизведении сигналов, послужили причиной использования САПР при исследовании и разработке МГ для УНИ.

Проектирование МГ для аппаратуры магнитной записи и головок, используемых в накопителях информации, является высокотехнологичным дорогостоящим этапом производства, связанным с длительным подбором состава материалов: формированием компонентов с необходимыми свойствами и их спаев, которые удовлетворяли бы требованиям прочности и износостойкости, учетом температурных и магнитных полей, а также другим критериям, применяемым к конструкциям МГ. При проектировании элементов УНИ разработчик сталкивается с большим объемом сложных технических задач, которые необходимо решать за ограниченный промежуток времени. Поэтому с совершенствованием разрабатываемых УНИ широко используются методы математического моделирования, позволяющие формализовать процесс создания новых технических решений и анализа эксплуатационных хапзкдеригти^ В

БИБЛИОТЕКА

результате возникает необходимость в ф,

средств автоматизированного проектирования, направленного, прежде всего, в сторону слияния с элементами искусственного интеллекта на всех уровнях САПР.

В связи с этим задачи, которые необходимо решить для разработки подсистемы автоматизации проектирования МГ для УНИ являются актуальными проблемами, так как их решение позволит улучшить параметры современных УНИ.

Целью диссертационной работы является разработка и исследование новых моделей, методик и алгоритмов автоматизированного проектирования МГ для УНИ, применяемых в вычислительной технике.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи:

1. Проводится комплексный анализ известных методов автоматизации проектирования МГ для УНИ, а также анализ и обоснование необходимости применения методов и алгоритмов оптимизации.

2. Определяются архитектура и процесс проектирования подсистемы автоматизации проектирования МГ для УНИ.

3. Создается блок математических моделей зависимостей: характеристик и параметров МГ от её конструктивных особенностей, свойств материалов, используемых при проектировании МГ, от их составов.

4. Обосновывается выбор методов генетического поиска и эволюционного моделирования для решения задач автоматизации проектирования МГ для УНИ.

5. Разрабатываются структуры генетических алгоритмов для поставленных задач: поиска оптимальных параметров и характеристик МГ - генетический алгоритм с множественным генотипом (ГАМГ), определения состава материала с заданными свойствами - динамический генетический алгоритм (ДГА).

6. Разрабатываются методики представления генетического материала для приведенных алгоритмов, составляющие генетические операторы, целевые функции. Определяются теоретические оценки пространственной и временной сложностей разработанных алгоритмов.

7. Проводится экспериментальное исследование ГАМГ и ДГА. Выделяются достоинства, недостатки и ограничения предложенных методов и алгоритмов.

8. Разрабатывается программная система, позволяющая автоматизировать проектирование МГ для УНИ.

Методы исследований базируются на аппарате математического моделирования, элементах теории алгоритмов, элементах теории генетического поиска и эволюционного моделирования, теории выбора и принятия решений.

Научная новизна диссертационной работы заключается в:

1. Разработке математических моделей: зависимости параметров и характеристик МГ, зависимости свойств материалов от их составов, пригодных для использования в алгоритмах, основанных на эволюционном моделировании;

2. Разработке новых методик представления решений поставленных задач, позволяющих применять к ним генетические операторы;

3. Разработке новых структур и элементов генетических алгоритмов, позволяющих автоматизировать процесс проектирования МГ» для УНИ;

4. Разработке целевых функций, позволяющих адекватно оценивать полученные решения по определению оптимальных параметров и характеристик МГ.

Практическую ценность работы представляют:

1. Новые методики представления решений поставленных задач, позволяющих применять методы эволюционного моделирования.

2. Программная система, позволяющая: проводить поиск оптимальных характеристик и параметров МГ для УНИ; находить материалы с заданными свойствами.

Реализация результатов работы. Материалы диссертации использованы в учебном процессе на кафедре САПР ТРТУ при чтении лекций, проведении практических и лабораторных занятий по курсам: «Методы эволюционного моделирования и генетические алгоритмы», «Промышленные САПР». Получено авторское свидетельство на программу для ЭВМ.

Апробация работы и публикации. Основные теоретические и практические результаты докладывались и обсуждались на Международных научно-технических конференциях IEEE CAD AIS'02 - 04 (г. Дивноморск, 2002-2004 г.), Девятой Национальной Конференции По Искусственному Интеллекту КИИ-2004 (С международным участием) (г.Тверь, 2004).

Публикации. Результаты диссертации отражены в 12 печатных работах.

Структура и объём диссертационной работы. Диссертация состоит из введения, четырёх глав, списка использованных источников и приложений. Работа содержит 171 страницу, включая 42 рисунка, 20 таблиц, список использованных источников из 154 наименований, 28 страниц приложений и актов о внедрении.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационной работы, сформулированы цели работы, приведены сведения о полученных научных и практических результатах, реализации и внедрении результатов работы, апробации, а также дано общее описание выполненной работы.

В первой главе приведена современная классификация УНИ, позволяющая сделать вывод, что на данный момент магнитная запись является широко распространенным способом регистрации информации.

Представлены описание и характеристики материалов, используемых при проектировании МГ (стекловидных диэлектриков, ферритов, сендастов и др.). Показаны конструкции тонкопленочных, магниторезистивных и многодорожечных МГ, используемых в данной работе. Определены преимущества данных МГ.

Проведен анализ существующих методов моделирования и автоматизации проектирования МГ.

Приведены классификация и обзор современных САПР, по результатам которого можно сказать, что существующие САПР не в полной мере позволяют решать специфические задачи автоматизации проектирования МГ. Определена необходимость разработки подсистемы автоматизации проектирования МГ для УНИ.

Во второй главе представлено описание архитектуры и процесса разработки подсистемы автоматизации проектирования МГ для УНИ. Структурно данная подсистема делиться на модули, для реализации которых необходимо разработать следующие виды обеспечения САПР: математическое обеспечения (МО) - математические модели и алгоритмы, программное обеспечение (ПО) - программы. Для разработки подсистемы автоматизации проектирования МГ для УНИ необходимо реализовать следующие модули:

• Модуль моделирования синтеза материалов для изготовления

МГ.

Задача создания данного модуля реализуется формированием математических моделей зависимости свойств материалов от их составов, которые необходимы для синтеза компонентов МГ с заданными свойствами (микротвердостью, износостойкостью, коэффициентом линейно-термического расширения (КЛТР) и др.). Важно отметить, что созданию универсальных математических моделей предшествует разработка моделей для частных случаев.

На основе математических моделей создаются алгоритмы с указанием количества параметров и области их изменений, определяющих состав и свойства вещества.

Разработанные алгоритмы, а также накопленные экспериментальные данные, являются исходными элементами процесса создания программных модулей, которые позволят синтезировать состав материалов с заданными свойствами.

Необходимо подчеркнуть, что исследуемые материалы должны быть изучены в своей совокупности, так как, они образуют спаи и соединения (стекловидного диэлектрика с ферритом или титаном), в которых могут дать другие оптимальные параметры в отличие от их дифференцированного рассмотрения, влияющие на проектирование МГ;

• Модуль определения оптимальных характеристик,

обусловливающих эффективность МГ.

Разработка данного модуля основывается на проведении анализа характеристик МГ и создании их оптимизационных алгоритмов. Пользователь подсистемы задает закономерность, определяющую эффективность параметров МГ, интервал и шаг исследуемого диапазона изменения характеристик МГ. Данный процесс предполагает, прежде всего, выбор такого алгоритма, который позволил бы с оптимальной скоростью не только найти лучшее решение, но и демонстрировал бы варианты решений; а также содержал инструменты для выхода из локальных минимумов;

• Модуль формирования геометрии МГ.

Данная область исследования предполагает создание программного модуля определения оптимальных геометрических параметров МГ и в настоящей работе не реализована. Процесс рассмотрения совместной геометрии всех компонентов > МГ, по нашему убеждению, должен составить объект отдельного исследования.

Определена структура и состав математического обеспечения подсистемы автоматизации проектирования МГ для УНИ. Разработаны математические модели, позволяющие определить зависимость характеристик МГ от: состава и свойств материалов для изготовления МГ, параметров и характеристик составляющих компонентов МГ:

- синтеза стекловидных диэлектриков для спаев стекла с

титаном для многодорожечной магнитной головки (ММГ);

- синтеза стекловидных диэлектриков при формировании

соединения стекла с ферритом для ММГ;

- прессования горячепрессованных ферритов;

- эффективности потокособирающей тонкопленочной

магниторезистивной головки (ПТМРГ);

- характеристик асимметричных тонкопленочных магнитных

головок.

Разработанные математические модели необходимы для автоматизации проектирования МГ для УНИ с помощью применения оптимизационных алгоритмов.

Третья глава посвящена разработке генетических алгоритмов: генетического алгоритма с множественным генотипом - ГАМГ (поиск оптимальных параметров и характеристик МГ), динамического генетического алгоритма - ДГА (подбор материалов с заданными свойствами) и содержит теоретическую их оценку.

Генетический алгоритм с множественным генотипом

Выражения, определяющие свойства МГ, являются формулами, в которых каждый из параметров варьируется на своем интервале значений, а результатом является выходная характеристика МГ. Таким образом, параметры МГ включаются в хромосому в виде генов, каждый из которых изменяется на своем интервале значений. Каждый ген, входящий в хромосому решения, четко сопоставлен со своим интервалом и шагом изменения, который определяется в начале работы.

Например, определение наибольшей эффективности ПТМРГ проводится следующим образом. Целевая функция (ЦФ) в данной задаче представлена выражением математической модели (1), которое определяет усредненную эффективность ПТМРГ:

(1)

здесь:

. £ = (*, + к1 УсЬ[Лг,(/-»')+ кг\У]~(<к,-кгУсЬ[Лг,(/-И7)-кгИГ\-

- - ¿^сЬ^, (/ - 25)+ к2\У\-(/-25)- кг\У\

АР + М

к? =^--уй)|10а и к\ = Д--ушц0а. А, А2

Таким образом, генотип решения будет следующим:

- ширина сердечника;

- проводимость материала внутризазорного слоя (интервал изменения данного гена задается из тех соображений, что состав материала внутризазорного слоя меняется в определенных пределах, то есть для получения лучшего решения можно взять другой материал);

W - ширина магниторезистивного элемента (МРЭ);

- расстояние от рабочей поверхности головки до середины МРЭ;

1 - глубина рабочего зазора сердечника;

и - относительная магнитная проницаемость материалов

сердечника и МРЭ соответсвенно; р - толщина полюсов сердечника; I - толщина МРЭ;

- ширина рабочего зазора сердечника; ¡¡¡2 - расстояние от МРЭ до противолежащей ветви сердечника.

В результате хромосома решения будет выглядеть следующим образом (рис. 1):

Рис. 1. Пример структуры хромосомы ГАМГ

Для ГАМГ удобно представить хромосому в виде последовательности целых чисел, каждое из которых определяет множитель смещения от начального значения:

здесь:

М

значение гена;

значение параметра

математической модели; s-шаг изменения параметра, определенный в начале работы.

Оптимальным значением а является минимальное значение приведенной формулы математической модели (1). Поэтому целью ГАМГ в поставленной задаче является минимизация ЦФ:

Структурная схема ГАМГ представлена на рисунке 2. Приведенная схема генетического алгоритма обладает операциями, учитывающими специфику решаемой задачи. Так после применения генетических операторов проводится контроль математического выражения, что препятствует возникновению «нелегальных» решений.

Пространственная сложность алгоритма будет составлять:

Временная сложность данного генетического алгоритма составляет:

0(п(2Ь + 1о§2 и) + (3/. + п + 2и + 4Л)ЛГ),

(5)

Оценивая пространственную и временную сложности ГАМГ (4), (5) можно сделать вывод, что при фиксированных значениях размера популяции п и числа генераций К алгоритм имеет линейную теоретическую пространственную и временную сложности и, следовательно, представляет практическую ценность.

Рис. 2. Структурная схема ГАМГ

Динамический генетический алгоритм

Современный уровень автоматизированного проектирования достиг этапа, когда необходимы новые идеи, принципы, алгоритмы. Существующие оптимизационные алгоритмы основаны на взаимодействии с конечным пользователем и требуют контроля в течение процесса поиска, а также в процессе анализа полученного решения на завершающей стадии. При этом в основной массе алгоритмы могут обойти необходимое решение или попасть в локальный оптимум, и только пользователь алгоритма способен

сориентировать поиск в нужном направлении с помощью ввода новых параметров или эвристик. Ситуация осложняется тем фактом, что современные оптимизационные алгоритмы в основном решают задачи полиномиальной сложности, в то время как новые технические задания часто содержат задачи степенной или факториальной сложности. В данной ситуации необходимы гибкие, самонастраивающиеся алгоритмы поиска оптимального решения.

Необходимо отметить, что подбор материалов с заданными свойствами (микротвердостью, износостойкостью, КЛТР и др.) является одним из важных этапов разработки МГ для УНИ. В связи с тем, что материалы, используемые при изготовлении МГ (феррит, стекловидные диэлектрики, титан), имеют разную механическую прочность, износостойкость, коэффициент линейно-термического расширения, данный этап работы имеет первостепенное значение при формировании спаев (стекловидный диэлектрик - титан, стекловидный диэлектрик - феррит).

Рассмотрим задачу подбора материала с заданными свойствами на примере синтеза стекловидных диэлектриков для спаев стекла системы с титаном.

Используя экспериментальные данные была построена математическая модель зависимости свойств стекол 1-10 (таблица 1) (КЛТР - коэффициент линейно-термического расширения, ТЕ -температура размягчения стекла, Н - микротвердость стекла) от их составов.

Таблица 1

Составы и свойства стекол

№ оп Основа стекла, % вес Добавки, % вес Свойства стекол

РЬО в2о, гпо В|2Оэ АЬО, СиО БЬзО, КЛТР, 10' 1/°С т„°с н, кг/мм2

1 74 10 10 2 0,5 3,5 - • 85 386 410

2 74,5 10 10 2 1 2,5 83 384 415

3 76,3 10 10 2 1,2 0,5 - 82 392 410

4 76 4 10 10 2 1,5 0,1 - 86 376 415

5 71,5 10 10 2 6,5 - - 85 372 430

6 76 10 10 2 1,5 ■ 0,5 - 85 386 420

7 73,5 10 10 2 1,5 3,0 - 87 374 415

8 74 10 10 2 1,5 - 2,0 0,5 85 381 435

9 74,4 10 10 2 1,5 - - 2,0 0,1 86 409 440

10 74 4 10 10 1 1.5 - - 0 1 30 86 410 420

Для поиска эмпирической формулы, которая связывает свойства стекол с процентным содержанием компонентов стекла

- так обозначены векторы, задающие процентное содержание каждого компонента стекол 1-10), использум метод Брандона. В данном случае:

У\ = У1А(Х1)/2(Х2)/1(х,)/4(Х()/5(Х5)/6(Х(>)/1(Х1)/1(Х!)/,(Х9)

У2 = Уг/lO (*| )/| I (*2 )/|2 (*3 )/и (*4 )/|4 (*5 )/l5 (*6 )/.« (*7 )/l7 (*« )/l» (*9 )

(7)

Д'з = У Jl9 (*. )/» )/,.(*, )/г2 )/23 (*5 )/24 (*6 (*7 )/26 (*, )/27 (*9 ) (»)

здесь: '' - вектор экспериментальных значений КЛТР;

вектор значений Tg", У г - вектор значений Н;

У\. У г

;

;

среднее арифме-

тическое вектора

среднее арифметическое вектора

Уг

; У з

- среднее арифметическое вектора

Для получения математических выражений (6) - (7) зависимостей свойств стекловидных диэлектриков 1-10 от их составов необходимо найти функции f}(x,)

Поставленная задача сводиться к аппроксимации произвольного вида элементарных зависимостей векторов числовых значений Х9). Для решения поставленной задачи используем самонастраивающийся алгоритм - динамический генетический алгоритм (ДГА).

Структура представления генетического материала ДГА подбора формул основана на генетическом алгоритме аппроксимации формул (ГААФ). В ГААФ хромосома: представлена в виде набора математических функций: однопараметрических - (sin, cos, tn, ехр и др.), двухпараметрических - (+,-, *J И ДР-)> а также трехпараметрической (если - тогда - иначе), которые составляют аппроксимирующую график экспериментальных значений формулу

Аргументом в данных формулах выступает (значение

вектора содержания компонентов материала в полученном составе).

Для кодирования хромосом ДГА используем следующую структуру (рис; 3):

Рис.3. Схема кодирования хромосом ДГА

Приведенная структура состоит из двухсимвольных генов. Первый символ - это математическая формула из таблицы формул алгоритма.. Каждая формула в хромосоме алгоритма кодируется уникальным кодом, при этом, чем больше таблица используемых формул, тем больше возможностей аппроксимации приобретает алгоритм. Второй символ - это признак декодирования гена, который может быть представлен в виде трех значений:

О-В том случае, если это выражение законченное, данный ген представляет собой элементарную функцию, в которой аргументом

выступает накопленное на момент обработки данного гена математическое выражение; если выражение незаконченное или это

первый ген, то Х1;

1 - ген содержит целое число;

2 - ген содержит элементарную функцию, в которой аргументом уже выступает выражение, получаемое из необработанных генов справа.

В ГААФ хромосомы могут иметь различную длину, так как точкой скрещивания считается узел древовидной структуры хромосомы. Изменение длины позволяет получить математическую формулу любой длины для точной аппроксимации формулы.

Целевой функцией для; хромосом ДГА является значение средней по модулю погрешности аппроксимации:

где Fitness[l] — значение ЦФ хромосомы I, /4(-х() - значения.

к-ой аппроксимируемой функции ( х, - векторы экспериментальных

значений процентного содержания компонентов стекол 1-10); У) -

векторы экспериментальных значений свойств стекол: КЛТР(6), Тг(7), Н(8).

Базисной идеей ДГА является моделирование естественных процессов эволюции в живой природе. Приведем основные процедуры алгоритма:

1. Каждый объект ДГА (хромосомы, генетические операторы, популяции) имеет параметр времени жизни, который исчисляется в количестве итераций. «Старые» объекты ДГА не исчезают в результате появления новой популяции, а могут участвовать в последующих итерациях алгоритма.

2. Операторы ДГА содержат параметр оценки эффективности работы. Он позволяет выбрать операторы, которые могут улучшить ЦФ оператора, или устраняет недействующие операторы. Параметр введен с учетом того, что в ДГА генетические операторы тоже могут изменяться подобно тому, как в живой природе эволюционируют не только живые особи, но также изменяются факторы и явления.

3. Вероятностные параметры ДГА - вероятности кроссинговера

и мутации - настраиваются самим алгоритмом в процессе работы. Здесь также определяется параметр эффективности, исчисляемый в количестве итерации, которые приводят к улучшению объектов ДГА.

4. Длина хромосомы регулируется значением ЦФ хромосом, так как, если хромосома слишком «длинная» или «короткая», она не даст качественного решения и с течением времени

погибнет.

5. Размер популяции регулируется коэффициентом эффективности, который содержит количество хромосом, улучшающих текущее значение ЦФ.

Структурная схема ДГА приведена на рисунке 4.

Рис.4. Структурная схема ДГА

В четвёртой главе проведены экспериментальные исследования разработанных алгоритмов. Поставлены цели экспериментальных исследований. Проведены серии экспериментов для определения качества решения и времени его поиска. Определены экспериментальные оценки пространственной и временной сложностей

исследуемых алгоритмов.

Предложенные алгоритмы были реализованы на языке C++ в инструментальной оболочке Borland C++ Builder 3.0 в виде программной системы, работающей на ЭВМ типа IBM PC под операционными системами: Windows 98 - ХР. Минимальные требования для разработанного программного продукта: Pentium 200MHz MMX, 64 Мб ОЗУ, Windows'98. Тестирование проводилось на ЭВМ типа IBM PC с процессором AMD Athlon 650MHz, памятью 256 Мб под управлением операционной системы Windows XP.

Экспериментальное исследование ГАМГ проводилось в два этапа. На первом этапе выполнялось определение влияния типа селекции и типа кроссинговера на качество получаемых решений. Рассматривались элитная и случайная селекции и стандартный одноточечный, стандартный двухточечный и многоточечный кроссинговеры. При исследовании этих параметров вероятность мутации Рм была равна 0.05, а размер популяции п был равен 50. Число генераций выбрано равным 800. Для каждого из вариантов установки генетических параметров было сделано 50 испытаний. На втором этапе выполнялся подбор размера популяции и вероятности мутации. Для этого тип селекции, тип кроссинговера и вероятность переноса гена-были установлены равными тем, при которых были получены наилучшие результаты на предыдущем этапе. Размер популяции изменялся от 50 до 150 с шагом 50, вероятность мутации от 0.05 до 0.20 с шагом 0.05. Число генераций выбрано равным 800. Для каждого из вариантов установки генетических параметров было сделано 50 испытаний.

По результатам экспериментов даны рекомендации для ГАМГ (размер стартовой популяции, вероятность кроссинговера, вероятность мутации и др.), обеспечивающих возможность оптимальной работы. Проведено сравнение ГАМГ с методами ветвей и границ, моделирования отжига, простым генетическим алгоритмом. На основании экспериментальных данных можно сделать вывод, что ГАМГ имеет максимальную скорость среди исследуемых алгоритмов, но уступает алгоритму, реализующему метод моделирования отжига, по пространственной характеристике. Экономия времени решения по сравнению с методом моделирования отжига составляет 45%, по сравнению с простым генетическим алгоритмом 10%.

В результате проведенных экспериментальных исследований ГАМГ были получены линейные зависимости времени решения и объема занимаемой оперативной памяти от количества параметров ГАМГ, пропорциональные O(N). Полученные экспериментальные результаты соответствуют теоретическим.

Проведено экспериментальное исследование изменения наиболее значимых параметров ДГА: Рk - вероятности кроссинговера; Рm -вероятности мутации; п - размера популяции; Lcp - значение средней длины хромосомы для популяции. Для этого были проведены

серии опытов по 50 испытаний. Исследуемый интервал - 2000 итераций.

В результате изучения изменения приведенных параметров можно сказать, что алгоритм адекватно проводит изменения своих параметров, позволяя тем самым исключить ненужные итерации.

Проведено сравнение ДГА с классическими алгоритмами: эвристическим алгоритмом аппроксимации формул (ЭА), простым генетическим алгоритмом (ПГА), адаптивным генетическим алгоритмом (АГА). На основании полученных экспериментальных данных можно сделать вывод, что разработанный ДГА является более быстродействующим, чем все рассмотренные алгоритмы, но имеет пространственную характеристику хуже, чем у ПГА. Экономия времени решения при использовании ДГА по сравнению с исследуемыми алгоритмами составила: 10% по сравнению с АГА, 50% по сравнению с ПГА, 80% по сравнению с ЭА.

В результате проведенных экспериментов для ДГА получена полиномиальная зависимость, пропорциональная O(N2), времени решения задачи от средней длины хромосомы. Экспериментальная оценка пространственной сложности показала, что при практическом использовании ДГА зависимость объема занимаемой оперативной памяти от средней длины хромосомы пропорциональна O(N). Полученные опытные результаты соответствуют теоретическим оценкам.

В заключении приводятся основные результаты, полученные в диссертационной работе.

В приложении приводятся акты об использовании результатов диссертационной работы, свидетельство об официальной регистрации программы для ЭВМ на разработанную программу для поиска оптимальных характеристик планарной тонкопленочной одновитковой магниторезистивной головки.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате выполненных теоретических и практических исследований по теме диссертационной работы реализованы следующие научные и практические положения:

1. Проведен анализ существующих подходов и методов автоматизации проектирования МГ для УНИ. Проанализированы основные проблемы, возникающие при разработке различных типов МГ (тонкопленочных, магниторезистивных,

многодорожечных), используемых в УНИ. Проведен обзор и анализ современных САПР для поиска инструментов по решению поставленных задач. Показано, что в существующих САПР отсутствуют инструменты по автоматизации решения специфических задач, возникающих при проектировании МГ для УНИ. Определено, что одним из путей оптимизации

процесса проектирования МГ для УНИ является постановка и решение задач по разработке подсистемы автоматизации проектирования МГ для УНИ.

2. Определены архитектура и процесс проектирования подсистемы автоматизации проектирования. МГ для УНИ. Разработаны структура и составляющие математического обеспечения подсистемы автоматизации проектирования МГ для УНИ. Реализация данных моделей позволила разработать новые генетические алгоритмы для решения задач автоматизации проектирования МГ для УНИ.

3. Обоснован выбор методов генетического поиска и эволюционного моделирования для решения задач автоматизации проектирования МГ для УНИ. Разработаны методики представления генетического материала для разработанных алгоритмов: генетического алгоритма с множественным генотипом и динамического генетического алгоритма, позволяющие минимизировать количество «нелегальные» решения, сохраняя при этом высокую скорость кодирования и декодирования хромосом. Приведенная методика позволяет уменьшить время работы алгоритма на 10-20% по сравнению с известными методами кодирования.

4. Разработаны структуры генетических алгоритмов для поставленных задач: поиска оптимальных параметров и характеристик МГ - ГАМГ, определения состава материала с заданными свойствами - ДГА. Определены генетические операторы, целевые функции, процедуры самоорганизации и самонастройки. Найдены теоретические оценки пространственной и временной сложностей разработанных алгоритмов автоматизации проектирования МГ для УНИ.

5. Реализована программная система автоматизации проектирования МГ для УНИ, использующая разработанные генетические алгоритмы. Для реализации программной системы использовалась инструментальная оболочка Borland C++ Builder 3.0. Получено авторское свидетельство на программу для ЭВМ. Программная система выводит информацию об изменении ЦФ (максимального, среднего и минимального значений) в виде графиков, демонстрирует наглядное изменение родительской и дочерней популяций.

6. Проведены экспериментальные исследования разработанных алгоритмов. Выявлены оптимальные сочетания управляющих параметров для ГАМГ. Изучены изменения параметров ДГА и принципы его самонастройки. Определены реальные оценки пространственной и временной сложностей разработанных алгоритмов, выполнено сравнение полученных оценок с теоретическими. Временная сложность ГАМГ составляет O(N),

ДГА- О(ЛГ')

7. Разработка новых методов самоорганизации при реализации ДГА позволила: усовершенствовать процесс поиска решения с исключением ненужных итераций при попадании в локальный оптимум, автоматизировать настройку параметров алгоритма. Данные методики позволили существенно повысить точность установки параметров алгоритма.

8. Осуществлено сравнение разработанных алгоритмов с конкурирующими в данной области алгоритмами. Применение разработанных алгоритмов позволяет сократить сроки проектирования МГ для УНИ по сравнению с применением классических алгоритмов на 10%.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

1. 1. Малюков СП., Обжелянский С.А Алгоритм формирования математической модели синтеза стекловидных диэлектриков для магнитных головок. Перспективные Информационные Технологии и Интеллектуальные Системы (ПИТИС), 2001, №3(7), с.88-92.

2. Малюков С.П., Обжелянский С.А. Математическая модель прессования горячепрессованных ферритов. Известия ТРТУ, 2001, №4, с.212-216.

3. Малюков СП., Обжелянский С.А Проектирование магнитных головок с применением технологии САПР. Известия ТРТУ, 2002, №3, с.226.

4. Малюков СП., Обжелянский С.А. Проектирование магнитных головок с помощью генетических алгоритмов. Труды международной научно-технической конференции IEEE CAD AIS'02,2002,c.592-595.

5. Малюков СП., Обжелянский СА. Реализация САПР в технологии магнитной записи. Перспективные Информационные Технологии и Интеллектуальные Системы (ПИТИС), 2002, №3, с.61-66.

6. Малюков С.П., Обжелянский СА. Применение генетических алгоритмов при разработке магнитных головок. Перспективные Информационные Технологии и Интеллектуальные Системы (ПИТИС), 2002, №2, с.58-64.

7. Курейчик В.М., Малюков СП., Обжелянский СА. Структура представления внутренних данных динамического генетического алгоритма автоматизации подбора материалов с заданными свойствами. Известия ТРТУ, 2004, №3(38), с. 34-38.

8. Курейчик В.М., Малюков СП., Обжелянский СА. Динамический генетический алгоритм автоматизированного подбора материалов с заданными свойствами. Известия ТРТУ, 2004, №3(38), с. 38-42.

9. А.с. №2004611151 РФ. Программа поиска оптимальных характеристик планарной одновитковой тонкопленочной магниторезистивной головки (ПТМРГ). Курейчик В.М., Курейчик

B.В., Малюков С.П., Обжелянский С.А. Заявлено: 18.03.2004. Опубликовано: 11.05.2004.

Ю.Курейчик В.М., Малюков С.П., Обжелянский С.А. Процедуры самоорганизации в генетических алгоритмах. Труды

международной научно-технической конференции IEEE CAD AIS'04, 2004,.

И. Малюков С.П., Обжелянский С.А Расчет оптимальных характеристик планарной одновитковой тонкопленочной магниторезистивной головки. Труды международной научно-технической конференции IEEE CAD AIS'04,2004. 12.Курейчик В.М., Курейчик В.В., Малюков СП., Обжелянский

C.А Самонастраивающийся генетический алгоритм. Труды Девятой Национальной Конференции По Искусственному Интеллекту КИИ-2004 (С международным участием), Тверь, 2004.

Личный вклад автора в работах, опубликованных в соавторстве, может быть охарактеризован следующим образом:

- в работах 1-12 - постановка задач, теоретические анализ результатов выполнены совместно с экспериментальная часть, структурные схемы программные реализации принадлежат авт ору.

расчеты и соавторами; алгоритмов,

оА-1A5Í в

ц

г

ВВЕДЕНИЕ.

Глава 1. МЕТОДЫ АВТОМАТИЗАЦИИ ПРОЕКТИРОВАНИЯ МАГНИТНЫХ ГОЛОВОК ДЛЯ УСТРОЙСТВ НАКОПЛЕНИЯ ИНФОРМАЦИИ.

1.1. Анализ существующих методов автоматизации проектирования магнитных головок для устройств накопления информации.

1.1.1. Классификация устройств накопления информации.

1.1.2. Материалы и конструкции магнитных головок.

1.1.3. Методы исследования магнитных головок.

1.1.4. Математическое моделирование магнитных головок.

1.2. Постановка задачи автоматизации проектирования магнитных головок для устройств накопления информации

1.3. Обзор современных САПР.

1.3.1. Классы САПР.

1.3.2. Универсальные САПР.

1.3.3. Основные функциональные возможности прогрессивных САПР.

1.4. Выводы.

Глава 2. СТРУКТУРА ПРОЦЕССА РАЗРАБОТКИ И

МАТЕМАТИЧЕСКИЕ МОДЕЛИ ПОДСИСТЕМЫ АВТОМАТИЗАЦИИ ПРОЕКТИРОВАНИЯ МАГНИТНЫХ

ГОЛОВОК ДЛЯ УСТРОЙСТВ НАКОПЛЕНИЯ ИНФОРМАЦИИ.

2.1. Структура процесса разработки подсистемы автоматизации проектирования магнитных головок для устройств накопления информации.

2.2. Математические модели синтеза материалов для изготовления магнитных головок.

2.2.1. Синтез стекловидных диэлектриков для спаев стекла с титаном для многодорожечной магнитной головки.

2.2.2. Синтез стекловидных диэлектриков при формировании соединения стекла с ферритом для многодорожечной магнитной головки.

2.2.3. Прессование горячепрессованных ферритов.

2.3. Математические модели определения эффективного функционирования магнитных головок.

2.3.1. Анализ эффективности потокособирающей тонкопленочной магниторезистивной головки.

2.3.2. Характеристики асимметричных тонкопленочных магнитных головок.

2.4. Выводы.

Глава 3. РАЗРАБОТКА ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

ПОИСКА ОПТИМАЛЬНЫХ ПАРАМЕТРОВ И

ХАРАКТЕРИСТИК МГ.

3.1. Генетический алгоритм с множественным генотипом.

3.1.1. Поиск оптимальных параметров и характеристик магнитных головок.

3.1.2. Представление генетического материала.

3.1.3. Методика кодирования решения.

3.1.4. Целевая функция.

3.1.5. Генетические операторы и структура.

3.1.6. Теоретическая оценка алгоритма.

3.2. Динамический генетический алгоритм.

3.2.1. Цель разработки динамического генетического алгоритма.

3.2.2. Структура представления генетического материала.

3.2.3. Методика кодирования решения.

3.2.4. Целевая функция.

3.2.5. Генетические операторы и структура.

3.2.6. Теоретическая оценка алгоритма.

3.3. Выводы.

Глава 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ

РАЗРАБОТАННЫХ АЛГОРИТМОВ.

4.1. Цель экспериментального исследования.

4.2. Исследование генетического алгоритма с множественным генотипом.

4.2.1. Определение оптимальных параметров.

4.2.2. Пространственная и временная сложности.

4.2.3. Сравнительная характеристика.

4.3. Исследование динамического генетического алгоритма.

4.3.1. Подбор параметров алгоритмом.

4.3.2. Пространственная и временная сложности.

4.3.3. Сравнительная характеристика.

4.4. Выводы.

В настоящее время и в ближайшей перспективе основной тенденцией развития автоматизированного проектирования дискретных устройств (ДУ) является создание интегрированных интеллектуальных САПР, обеспечивающих сквозное проектирование от комплексного описания устройства на всех уровнях детализации объекта (архитектура, система, технология, схема, устройство) до его функционирования (изготовление, поведение на приборном, схемном, системном уровнях)[1,2]. Разработка сквозных интегрированных интеллектуальные САПР высших поколений, связанная, прежде всего, с усложнением объекта проектирования [3], обеспечением высоких технико-экономических параметров конкурентоспособных ДУ, приводит к необходимости переоценки ограничений и возможностей САПР, пересмотру многих принципов методологического обеспечения САПР [4]. Чем сложнее разрабатываемое изделие, тем более сложной и функциональной должна быть САПР [5]. При этом усилия проектировщиков необходимо сконцентрировать на создании систем, позволяющих не только ориентироваться в сложной инфраструктуре интегрированной САПР, но и синтезировать объектно-ориентированные подсистемы из ее структурных элементов применительно к конструктивно-технологическим и функционально-логическим особенностям реальных объектов [6]. В частности, исключительная сложность процессов, происходящих при записи и воспроизведении сигналов, послужили причиной использования САПР при исследовании и разработке устройств накопления информации (УНИ). Обширной составной частью УНИ являются устройства магнитной записи (УМЗ) информации, которые представляют собой широко распространенный способ хранения информации.

Магнитная микроэлектроника - активно развиваемое в мире направление, в основе которого лежит планарная интегральная технология изготовления элементов микронных размеров на магнитных пленках.

При проектировании элементов УМЗ разработчик сталкивается с большим объемом сложных технических задач, которые необходимо решать за ограниченный промежуток времени. Поэтому с усложнением разрабатываемых УНИ широко используются методы математического моделирования, позволяющие формализовать процесс создания новых технических решений и анализа эксплуатационных характеристик. В результате возникает необходимость в соответствующем развитии средств автоматизированного проектирования, направленного, прежде всего, в сторону слияния с элементами искусственного интеллекта на всех уровнях САПР [7].

В настоящее время САПР развивается в двух направлениях: с одной стороны, широко используются персональные компьютеры с непосредственным участием конструктора. С другой стороны, создаются системы автоматизированного проектирования на основе многопроцессорных вычислительных структур без участия человека, что считается более перспективным [8]. В обоих направлениях определяющими остаются вопросы оптимизации алгоритмов, формализации задач конструирования, представления информации в ЭВМ, организации библиотек программ и ДР. [9]

В общем случае процесс автоматизации проектирования любых ДУ состоит из трех основных этапов: системотехнического, схемотехнического и конструкторского [10,11].

Первый этап включает в себя системное и структурное проектирование. Схемотехническое проектирование состоит из моделирования, логического проектирования, а также контроля и построения диагностических тестов. Конструкторский этап включает техническое и технологическое проектирование.

При системном проектировании используются идеи и методы системного анализа. На основе многочисленных факторов проводится всесторонний анализ технического задания на разработку ДУ и принимается решение относительно методики построения и путей реализации вычислительного процесса.

При структурном проектировании разрабатываются общая структурная схема ДУ и алгоритмы выполнения отдельных операций. Для выбора структуры необходимо учитывать требования технологичности, надежности, возможности более широкого использования однородных и квазиоднородных унифицированных узлов [12].

Системотехнический этап проектирования в основном пока является неформализованным процессом. Здесь используются творческие возможности инженера. ЭВМ просматривает варианты решений, принимаемых разработчиком, и выбирает из них оптимальный. На этом этапе используются специальные языки, формальные методы генерации вариантов вычислительного процесса по исходному заданию методом автоматического получения структурных схем.

На этапе схемотехнического проектирования широко используются логические и вычислительные возможности ЭВМ [13]. Целью логического проектирования ДУ является автоматический или автоматизированный формализованный абстрактный и структурный синтез узлов, выбранных в результате структурного проектирования, при котором проверяется эквивалентность исходного задания конечному результату [14]. В теоретическом плане здесь имеются существенные достижения: автоматически синтезируются управляющие и специального вида операционные устройства. На практике при автоматизации логического проектирования схем требуется решение большого числа задач. К ним относятся: разработка эффективных языков описания исходных заданий и языков структурного проектирования, алгоритмов построения формальных моделей устройств и др.

Необходимо отметить, что наиболее значимым и наукоемким элементом в УНИ, а именно в УМЗ, является магнитная головка (МГ), потому что её качество определяет объем размещаемой информации на единицу площади носителя информации (НИ), скорость записи - воспроизведения и другие важные характеристики УНИ. Проектирование МГ для аппаратуры магнитной записи и головок, используемых в накопителях информации, является высокотехнологичным дорогостоящим этапом производства, связанным с длительным подбором состава: формированием компонентов с необходимыми свойствами и их спаев, которые удовлетворяли бы требованиям прочности и износостойкости, учетом температурных и магнитных полей, а также другим критериям, применяемым к конструкциям МГ. Поэтому задачи, которые необходимо решить для разработки подсистемы автоматизации проектирования МГ для УНИ являются АКТУАЛЬНЫМИ ПРОБЛЕМАМИ, так как их решение позволит улучшить параметры современных УНИ.

ЦЕЛЬЮ диссертационной работы является разработка и исследование новых моделей, методик и алгоритмов автоматизированного проектирования МГ для УНИ, применяемых в вычислительной технике. Разрабатываемая подсистема позволит ускорить процесс и повысить качество проектирования МГ для УНИ.

Для достижения поставленной цели необходимо решить ряд следующих задач:

1. провести комплексное исследование методов автоматизированного проектирования МГ для УНИ;

2. разработать блок математических моделей, позволяющих определить зависимость параметров и свойств МГ от: состава материалов, из которых изготавливаются компоненты МГ; конструктивных особенностей МГ;

3. разработать блок программных модулей: моделирования синтеза материалов для изготовления МГ; определения оптимальных характеристик, обусловливающих эффективность МГ; контроля параметров и функционирования МГ;

4. определить временную и пространственную сложность разработанных алгоритмов. Провести их сравнительное исследование с существующими оптимизационными алгоритмами.

Для решения поставленных задач использовались следующие МЕТОДЫ ИССЛЕДОВАНИИ: аппарат математического моделирования, элементы теории алгоритмов, элементы теории генетического поиска и эволюционного моделирования, теория выбора и принятия решений.

НАУЧНАЯ НОВИЗНА диссертационной работы заключается в:

1. Разработке математических моделей: зависимости параметров и характеристик МГ, зависимости свойств материалов от их составов, пригодных для использования в алгоритмах, основанных на эволюционном моделировании;

2. Разработке новых методик представления решений поставленных задач, позволяющих применять к ним генетические операторы;

3. Разработке новых структур и элементов генетических алгоритмов, позволяющих автоматизировать процесс проектирования МГ для УНИ;

4. Разработке целевых функций, позволяющих адекватно оценивать полученные решения по определению оптимальных параметров и характеристик МГ.

ПРАКТИЧЕСКУЮ ЦЕННОСТЬ работы представляют:

1. Новые методики представления решений поставленных задач, позволяющих применять методы эволюционного моделирования.

2. Программная система, позволяющая: проводить поиск оптимальных характеристик и параметров МГ для УНИ; находить материалы с заданными свойствами.

РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ

Материалы диссертации использованы в г/б НИР: №12353 "Разработка теории и принципов построения интеллектуальных систем автоматизированного проектирования на основе эволюционной адаптации, ней-росетевых моделей и методов принятия решений", №12388 "Разработка теорий и принципов принятия решений при разбиении сложных математических объектов на части на основе моделирования эволюций и фрактальных множеств"; учебном процессе на кафедре САПР ТРТУ при чтении лекций, проведении практических и лабораторных занятий по курсам: «Методы эволюционного моделирования и генетические алгоритмы», «Разработка интеллектуальных САПР», «Промышленные САПР». Получено авторское свидетельство на программу для ЭВМ [15].

АПРОБАЦИЯ основных теоретических и практических результатов проводилась на Международных научно-технических конференциях IEEE CAD AIS'02-04 (г. Дивноморск, 2002-2004 г.), Девятой Национальной Конференции По Искусственному Интеллекту КИИ-2004 (С международным участием) (г. Тверь, 2004).

ПУБЛИКАЦИИ. Результаты диссертации отражены в 11 печатных работах.

СТРУКТУРА И ОБЪЕМ ДИССЕРТАЦИОННОЙ РАБОТЫ

Диссертация состоит из введения, четырёх глав, списка использованных источников и приложений. Работа содержит 165 страниц, включая 41 рисунок, 19 таблиц, список использованных источников из 154 наименований, 28 страниц приложений и актов о внедрении.

4.4. Выводы

1. Определены оптимальные сочетания параметров для ГАМГ. По результатам экспериментальных исследований ГАМГ рекомендованы значения параметров алгоритма (размер популяции, вид селекции, вероятности кроссинговера Р|< и мутации Рм), позволяющие получить наибольшее быстродействие при поиске решения.

2. Проведены исследования по изменению и настройке ДГА его параметров. Сделан вывод, что ДГА адекватно реагирует на прекращение улучшения ЦФ, так как он корректно проводит настройку своих параметров, что приводит к получению лучших решений. Важно то, что ДГА позволяет использовать динамическое изменение параметров во время работы. Такой поиск решения невозможен у классических генетических алгоритмов.

3. Экспериментально определены пространственная и временная сложности ГАМГ и ДГА. Сделан вывод, что экспериментальные оценки соответствуют теоретическим с учетом незначительных погрешностей.

4. Проведено сравнение ГАМГ с существующими аналогами. Разработанный алгоритм является более быстродействующим, чем существующие аналоги, но уступает методу моделирования отжига в пространственной характеристике.

5. Проведена сравнительная характеристика ДГА и конкурирующих алгоритмов. Результат сравнения показал высокую эффективность ДГА, так как разработанный алгоритм находит лучшие решения среди всех рассмотренных алгоритмов. Важно также то, что ДГА имеет максимальную скорость приближения к лучшему решению. ДГА является наиболее быстродействующим среди рассмотренных алгоритмов, но уступает по пространственной характеристике ПГА. I

ЗАКЛЮЧЕНИЕ

Совокупность изложенных в диссертации положений посвящена научным исследованиям в области разработки систем автоматизации проектирования МГ для УНИ, используемых в вычислительной технике.

В диссертации получены следующие основные научные теоретические и практические результаты:

1. Проведен анализ существующих подходов и методов автоматизации проектирования МГ для УНИ. Проанализированы основные проблемы, возникающие при разработке различных типов МГ (тонкопленочных, магниторезистивных), используемых в УНИ. Проведен обзор и анализ современных САПР для поиска инструментов по решению поставленных задач. Показано, что в существующих САПР отсутствуют инструменты по автоматизации решения специфических задач, возникающих при проектировании МГ для УНИ. Определено, что одним из путей оптимизации процесса проектирования МГ для УНИ является постановка и решение задач по разработке подсистемы автоматизации проектирования МГ для УНИ.

2. Определены структура процесса проектирования подсистемы автоматизации проектирования МГ для УНИ. Разработаны структура и составляющие математического обеспечения подсистемы автоматизации проектирования МГ для УНИ математические модели: синтеза стекловидных диэлектриков для спаев стекла с титаном; синтеза стекловидных диэлектриков при формировании соединения стекла с ферритом; прессования горячепрессованных ферритов; характеристики эффективности по-токособирающей тонкопленочной магниторезистивной головки; характеристик асимметричных тонкопленочных магнитных головок. Реализация данных моделей позволила разработать новые генетические алгоритмы для решения задач автоматизации проектирования МГ для УНИ.

3. Обоснован выбор методов генетического поиска и эволюционного моделирования для решения задач автоматизации проектирования МГ для УНИ. Разработаны методики представления генетического материала для разработанных алгоритмов: генетического алгоритма с множественным генотипом и динамического генетического алгоритма, позволяющие минимизировать количество «нелегальных» решений, сохраняя при этом высокую скорость кодирования и декодирования хромосом. Приведенная методика позволяет уменьшить время работы алгоритма на 10-20% по сравнению с известными методами кодирования.

4. Разработаны структуры генетических алгоритмов для поставленных задач: поиска оптимальных параметров и характеристик МГ - ГАМГ, определения состава материала с заданными свойствами — ДГА. Определены генетические операторы, целевые функции, процедуры самоорганизации и самонастройки. Найдены теоретические оценки пространственной и временной сложностей разработанных алгоритмов автоматизации проектирования МГ для УНИ.

5. Реализована программная система автоматизации проектирования МГ для УНИ, использующая разработанные генетические алгоритмы. Для реализации программной системы использовался язык объектно-ориентированного программирования С++. Получено авторское свидетельство на программу для ЭВМ. Программная система выводит информацию об изменении ЦФ (максимального, среднего и минимального значений) в виде графиков, демонстрирует наглядное изменение родительской и дочерней популяций.

6. Проведены экспериментальные исследования разработанных алгоритмов. Выявлены оптимальные сочетания управляющих параметров для ГАМГ. Изучены изменения параметров ДГА и принципы его самонастройки. Определены реальные оценки пространственной и временной сложностей разработанных алгоритмов, выполнено сравнение полученных оценок с теоретическими: временная сложность ГАМГ - линейная, ДГА-полиномиальная. Полученные оценки позволяют говорить о практической полезности разработанных алгоритмов.

7. В результате проведенных исследований пространства поиска ГАМГ, сделан вывод, что разработанный алгоритм оказался универсальным для поиска оптимальных значений для всех приведенных математических моделей параметров и характеристик МГ.

8. Разработка новых методов самоорганизации при реализации ДГА позволила: усовершенствовать процесс поиска решения с исключением ненужных итераций при попадании в локальный оптимум, автоматизировать настройку параметров алгоритма. Данные методики позволили существенно повысить точность установки параметров алгоритма. Поэтому необходимо сделать теоретическое предположение о том, что разработанный ДГА является универсальным алгоритмом для решения масштабных задач степенной и факториальной сложности.

9. Осуществлено сравнение разработанных алгоритмов с конкурирующими в данной области алгоритмами. Применение разработанных алгоритмов позволяет сократить сроки проектирования МГ для УНИ по сравнению с применением классических алгоритмов на 10%.

1. Синенко О., Куцевич Н., Леныиин В. Об интеграции АСУП и АСУТП в единую систему управления предприятием// Промышленные контроллеры и АСУ, 2000, №10.

2. Тарасов В.Б. Новые стратегии реорганизации и автоматизации предприятий: На пути к интеллектуальным предприятиям.- Новости ИИ, 1996, №4, с.40-84.

3. Лорьер Ж-Л. Системы искусственного интеллекта: Пер. с франц.- М.: Мир, 1991.-586с.

4. Норенков И.П., Маничев В.Б., Основы теории и проектирования САПР. М.: Высш. Шк., 1990 - 272 с.

5. Гаврилова Т.А. Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000.

6. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.

7. Зайцева Ж. Н. Новые тенденции в развитии САПР ЭВА. /Тез. докл. «Теория и практика построения интеллектуальных интегрированных РАЭ и БИС». М.: 1989 г. С 160-182

8. Норенков И.П. Основы автоматизированного проектирования. М.: Изд-во МГТУ им. Н.Э. Баумана, 2000.

9. Стемпковский А.Л., Шепелев В.А., Власов А.В. Системная среда САПР СБИС. М.: Наука, 1994.

10. Разработка САПР. Под ред. А.В. Петрова. М., Высшая школа, 1990.

11. Громов А.И., Каменкова М.С. Идеологические стандарты управления вчера, сегодня, завтра// Информационные технологии в проектировании и производстве, 2001, №3.

12. Каталог «Открытые технологии и базовые аппаратно-программные средства для систем промышленной автоматизации и телекоммуникаций// РТС СофтАльянс, 2000, №2.13