ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Коэволюционный подход к проектированию аналоговых микросхем

Co-evolutionary approach to analog integrated circuits design
Статья опубликована в выпуске журнала № 2 за 2011 год.[ 11.06.2011 ]
Аннотация:Предложен новый подход к решению задач многокритериальной оптимизации с ограничениями, где целевые функции и ограничения в общем случае могут иметь произвольный вид. С помощью предложенного алгоритма реа-лизована система подготовки проектных решений для аналоговых систем телекоммуникации.
Abstract:The new approach to solving multicriteria constrained optimization problems is suggested. Objectives and boundary conditions are supposed to be functions of any type instead of assuming any specific terms for them. The decision support system for analog integrated circuits design was realized using a proposed algorithm.
Авторы: Семенкин Е.С. (styugin@rambler.ru) - Сибирский государственный аэрокосмический университет им. академика М.Ф. Решетнева, г. Красноярск, Россия, Токмин К.А. (tokmin@yandex.ru) - Сибирский государственный аэрокосмический университет, г. Красноярск, ,
Ключевые слова: система поддержки принятия решения, аналоговая микросхема, проектирование, коэволюционный алгоритм, многокритериальная оптимизация
Keywords: decision-making support system, analog integrated circuits, design, coevolutionary algorithm, multicriteria optimization
Количество просмотров: 8200
Версия для печати
Выпуск в формате PDF (5.35Мб)
Скачать обложку в формате PDF (1.27Мб)

Размер шрифта:       Шрифт:

Беспроводные технологии передачи данных становятся все более популярными и востребованными в повседневной жизни, растут скорости и объемы передачи данных. Разработка нового оборудования в динамично изменяющихся условиях требует от инженеров специальных знаний и опыта, чтобы в максимально короткие сроки проектировать устройства со сбалансированными характеристиками. Это особенно актуально для ана- логовых микросхем. Кроме того, существует ряд обстоятельств, затрудняющих процесс проекти- рования. Во-первых, это отсутствие соответствующих аналитических моделей, описывающих аналоговые устройства на системном уровне. Во-вторых, большое количество вариантов устройств, различающихся по целевому назначению и, как следствие, по критериям оценки качества и, соответственно, по их топологии. При этом невозможно оценить функциональную зависимость между параметрами. И последнее, процесс проектирования трудоемок и требует больших временных затрат. Таким образом, поддержка принятия решений разработчиков на этапе проектирования и разработка соответствующих систем являются актуальной научно-технической задачей.

Коэволюционный подход

При проектировании любых микросхем необходимо обеспечить соответствие получаемых решений системе требований. Для задач оптимизации с векторным критерием и ограничениями, не обладающих удобными для оптимизации свойствами, необходимо применять соответствующие алгоритмы. Для решения многокритериальных задач оптимизации известно несколько схем: ранжирование частных критериев согласно их важности, выделение главного критерия и перевод остальных в ограничения, взвешенная сумма.

Эти подходы достаточно просты в применении и во многих случаях дают неплохие результаты. Тем не менее, они не защищены от субъективности, и их эффективность сильно зависит от назначения весовых коэффициентов, оценки важности частных критериев, выбор которых не всегда очевиден. К тому же, даже после много- кратных запусков алгоритма можно не получить репрезентативную аппроксимацию множества эффективных решений. Поэтому целесообразно использовать так называемые эволюционные алгоритмы, работающие одновременно со многими решениями и в результате позволяющие после одного запуска получать множество эффективных решений.

Для решения однокритериальных задач с ограничениями может быть применен коэволюционный генетический алгоритм, использующий метод множителей Лагранжа [1]. При таком подходе решение исходной задачи соответствует седловой точке функции Лагранжа. Преимуществами такого подхода являются его высокая эффективность при решении сложных задач оптимизации [2] и отсутствие необходимости настройки штрафных функций.

Этот же подход можно применить для решения задач оптимизации с векторным критерием, если вместо стандартного генетического алгоритма использовать его многокритериальную модификацию. Тогда процесс решения задачи будет представлять собой последовательное применение многокритериального генетического алгоритма к популяциям объектных переменных и коэффициентов Лагранжа.

Обобщенная схема предлагаемого подхода будет следующей.

1.  Создать начальные популяции объектных переменных (А) и коэффициентов Лагранжа (В).

2.  Оценить популяции A и B с использованием функции Лагранжа Li:

·     A↔Li(X, Λ*)=fi(X)+∑Λ*×g(X), где i=1, …, K, j=1, …, M;

·     B↔Li(X*,Λ)=fi(X*)+∑Λ×g(X*), где i=1, …, K, j=1, …, M.

3.  Сгенерировать потомков, cmax запусков:

–    сгенерировать потомков популяции A, amax запусков;

o      MULTI GA1→ популяция A;

·       оценить A: A↔Li(X, Λt*)=fi(X)+ +∑Λt*g(X);

–    сгенерировать потомков популяции B, bmax запусков;

o      MULTI GA2→ популяция B;

·       оценить B: B↔Li(Xt*,Λ)=fi(Xt*)+ +∑Λg(Xt*).

–    сохранить Парето-оптимальные (недоминируемые) решения.

4. Если выполнено условие останова, вывести полученные недоминируемые решения.

Здесь Х* и L* – случайные векторы объектных переменных и переменных Лагранжа из начальной популяции А и В соответственно; Хt* и Lt* – векторы объектных переменных и переменных Лагранжа на шаге t, которым соответствует максимальный ранг в архивном множестве недоминируемых решений.

Расчет значения пригодности индивидов из обеих популяций происходит с использованием функции Лагранжа, составленной для соответствующего критерия, при этом в качестве значений Xt* и Lt* устанавливаются выбранные значения соответствующей переменной из другой популяции.

Результаты численных экспериментов [3] показывают высокую эффективность рассматриваемого подхода на различных типах многокритериальных задач оптимизации с целевыми функциями и ограничениями произвольного вида. Истинно паретовские решения среди предложенных алгоритмом недоминируемых точек составляют 90 % от всех генерируемых альтернатив. Оставшиеся 10 %, которые определены алгоритмом как недоминируемые, но на самом деле ими не являющиеся, расположены на незначительном удалении от множества Парето; расстояние до множества Парето варьируется в зависимости от задачи и обычно составляет 10–15 интервалов дискретизации в пространстве переменных. Репрезентативность аппроксимации множества эффективных решений несколько хуже в задачах со сложным рельефом целевых функций и ограничений, когда множество Парето несвязно, а ограничения не являются гладкими функциями. В таких случаях не наблюдается равномерного распределения решений во множестве Парето.

Усилитель сигналов с низким уровнем внутренних шумов

При проектировании аналоговых микросхем необходимо учесть ряд противоречивых требований к системе. Критерии могут варьироваться в зависимости от того, где эти устройства будут использоваться и какой тип сигналов будет проходить через них. Например, если усилитель работает с очень малыми сигналами (сразу после антенны или перед оптоэлектронным конвертером и в оптических коммуникационных системах), необходимо, чтобы он сам по себе добавлял настолько мало шума, насколько это возможно [4]. Такой усилитель называется усилителем с низким уровнем внутренних шумов и является одним из наиболее важных элементов в цепи каскадно-вклю­ченных устройств передачи радиосигнала. Коэффициент его шума оказывает наибольшее влияние на общий коэффициент шума микросхемы.

Например, общий коэффициент шума каскада из n ступеней таков: , где Fi – коэффициент шумов i-го усилителя; Gi – коэффициент усиления i-го усилителя [4].

Это известное уравнение Фрииса, которое утверждает, что в цепи приемника общий коэффициент шума приблизительно равен коэффициенту шума первой ступени в том случае, если она обладает достаточным коэффициентом усиления, что является важным наблюдением для проектирования малошумящих усилителей.

В связи с тем, что общее количество элементов в схеме достаточно велико, процесс создания адекватной аналитической модели может быть более ресурсоемким, чем сам процесс проектирования. Поэтому в исследованиях авторов модель была реализована в виде черного ящика с помощью симулятора Advanced Design software [5]. При расчете производительности используется полный перечень паразитных эффектов, которые присутствуют в реальных устройствах.

Эквивалентная схема усилителя представлена на рисунке 1.

Подпись:  Рис. 1. Эквивалентная схема усилителя с низким уровнем внутренних шумовОбщее количество смешанных переменных равно четырнадцати. Кроме того, есть два критерия и три ограничения: рабочая частота устройства FR=2 GHz, напряжение постоянного тока равно 3 V; коэффициент усиления Power Gain: G=11 dB ± 1, то есть |Gi-11|≤1; входные и выходные коэффициенты отражения |Гin,i|, |Гout,i|≤0,1; коэффициент шума NFi→min и потребление постоянного тока PDC,i→min.

Характеристики оригинальной схемы усилителя на рисунке 2 представлены в виде окружности. Как видно, значения ее параметров, выбранные с помощью модуля оптимизации в програм- мном продукте ADS, не обеспечивают функционирование микросхемы в желаемом диапазоне измеряемых характеристик. Коэффициенты отражения не удовлетворяют заданным характеристикам.

Подпись:  
Рис. 2. Наглядное представление общей 
характеристики
Примечание. Альтернативы представлены в пятимерном пространстве. Трехмерное пространство – пространство ограничений (Power Gain, |Гin|, |Гout|). Градации серого и размер точек представляют два других критерия: чем меньше размер, тем лучше потребление постоянного тока; чем светлее тон, тем лучше коэффициент шума.
Результаты решения задачи коэволюционным алгоритмом представлены в виде треугольников (рис. 2). Все 50 альтернативных решений задачи имеют меньшее потребление постоянного тока, меньший коэффициент шума, при этом коэффициенты усиления и отражения находятся в допустимом диапазоне. Таким образом, альтернативные решения являются Парето-оптимальными, что в дальнейшем значительно облегчает решение задачи проектирования. На рисунке 2 показано, что наилучшая альтернатива будет соответствовать самой светлой, самой маленькой фигуре в допустимой области.

В заключение следует отметить, что в работе предложен, исследован на тестовых задачах и применен для решения реальной практической задачи новый метод условной многокритериальной оптимизации. Алгоритм, разработанный на основе этого метода, эффективен при решении как многокритериальных задач со сложными целевыми функциями, так и сложных практических задач, его также можно применять в составе систем поддержки принятия решений. С помощью разработанной системы поддержки проектных решений проведен выбор эффективных параметров усилителя с низким уровнем шумов, который обладает оптимальными свойствами по двум критериям и соответствует предъявленным требованиям. Применяемая модель, построенная на основе ПО от мирового лидера в области электронных систем Agilent Software, предоставляет пользователю все возможности для инженерного проектирования и, таким образом, позволяет автоматизировать многие этапы проектирования, в том числе и выбор конфигурации.

Литература

1.   Barbosa H.J.C. A genetic algorithm for min-max problems // E. Goodman et al (Eds). Proceedings of the First International Conference on Evolutionary Computation and Its Applications (EvCA'96). M.: IHPCS of RAS, 1996, pp. 99–109.

2.   Процыков Г.В., Семенкин Е.С., Токмин К.А. Об эффективности коэволюционного подхода в практических задачах оптимизации // Вестн. Красноярск. гос. ун-та: Сер. Физико-математические науки. 2005. № 4. С. 233–239.

3.   Семенкин Е.С., Токмин К.А. Коэволюционный подход для решения задач условной многокритериальной оптимизации // Вестн. Сибир. гос. аэрокосмич. ун-та им. акад. М.Ф. Решетнева. 2008. № 4 (21). С. 47–51.

4.   Prasad S., Schumacher H., Gopinath A. High-Speed Electronics and Optoelectronics: Devices and Circuits // Cambridge University Press, Cambridge, UK 2009.

5.   Advanced Design System (ADS). URL: http://www.ho­me.agilent.com/agilent/product.jspx?nid=-34346.0 (дата обращения: 21.03.2011).


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2773
Версия для печати
Выпуск в формате PDF (5.35Мб)
Скачать обложку в формате PDF (1.27Мб)
Статья опубликована в выпуске журнала № 2 за 2011 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: