Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Разработка генетических алгоритмов проектирования элементов телекоммуникационных систем

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Существует эффективное значение генетического давления, позволяющего обеспечить улучшение качества решений, достижимых за фиксированное число итераций. При размере популяции, составляющем 50 альтернативных решений, для рассмотренной функции пригодности (4.1) эффективное генетическое давление составляет 60% от размера популяции. При увеличении размера популяции до 400 альтернативных решений… Читать ещё >

Содержание

  • 1. обзор методов эволюционного проектирования
    • 1. 1. методы эволюционных вычислений
    • 1. 2. многокритериальное эволюционное проектирование
    • 1. 3. эволюционное проектирование антенн
    • 1. 4. выводы
  • 2. особенности эволюционного проектирования элементов телекоммуникационных систем
    • 2. 1. алгоритмы эволюционного проектирования дипольных антенн
    • 2. 2. алгоритм формирования начальной популяции с целью уменьшена вычислительных затрат
    • 2. 3. особенности системы кодирования связи генотип -фенотип при эволюционном проектировании элементов телекоммуникационных систем
    • 2. 4. особенности использования генетических операторов при эволюционном проектирован&trade- элементов телекоммуникационных систем
    • 2. 5. особенности управления эволюционным процессом
    • 2. 6. выводы
  • 3. методы селекции в задачах эволюционного проектирования элементов телекоммуникационных систем
    • 3. 1. методы селекции, используемые в эволюционных вычислениях
    • 3. 2. СЕЛЕКЦИЯ В ЗАДАЧАХ ЭВОЛЮЦИОННОГО ПРОЕКТИРОВАНИЯ ДИПОЛЬНЫХ АНТЕНН НА ОСНОВЕ ЭКСПЕРИМЕНТАЛЬНЫХ РЕЗУЛЬТАТОВ
    • 3. 3. СЕЛЕКЦИЯ НА ОСНОВЕ МЕТОДОВ МОДЕЛИРОВАНИЯ В ЗАДАЧАХ ЭВОЛЮЦИОННОГО ПРОЕКТИРОВАНИЯ ДИПОЛЬНЫХ АНТЕНН
    • 3. 4. ВЫВОДЫ
  • 4. ЭКСПЕРИМЕНТАЛЬНЫЕ РЕЗУЛЬТАТЫ ПО ЭВОЛЮЦИОННОМУ ПРОЕКТИРОВАНИЮ ЭЛЕМЕНТОВ ТЕЛЕКОММУНИКАЦИОННЫХ СИСТЕМ
    • 4. 1. ОПИСАНИЕ РАЗРАБОТАННОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
    • 4. 2. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ ПОВЕДЕНИЯ ФУНКЦИЙ ПРИГОДНОСТИ ДЛЯ РАЗЛИЧНЫХ ПАРАМЕТРОВ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
    • 4. 3. РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ РАЗРАБОТАННОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ЭВОЛЮЦИОННОГО ПРОЕКТИРОВАНИЯ УЗКОПОЛОСНЫХ АНТЕНН
    • 4. 4. РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ РАЗРАБОТАННОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ЭВОЛЮЦИОННОГО ПРОЕКТИРОВАНИЯ ШИРОКОПОЛОСНЫХ АНТЕНН
    • 4. 5. ВЫВОДЫ ИЗ

Разработка генетических алгоритмов проектирования элементов телекоммуникационных систем (реферат, курсовая, диплом, контрольная)

Основная проблема, возникающая при автоматизации проектирования, заключается в росте объема вычислений, необходимых для оценки пригодности разрабатываемых проектных решений. В условиях рыночной экономики и жесткой конкуренции между фирмами-разработчиками осуществить такое проектирование в приемлемые сроки при использовании систем автоматизированного проектирования (САПР), ориентированных на использование одиночных компьютеров, не представляется возможным. Выход из сложившейся ситуации заключается в создании САПР, ориентированных на применение распределенных вычислительных структур [34]. Их отличительная особенность заключается в необходимости организации эффективной передачи данных. Если распределенная вычислительная структура состоит из небольшого числа компьютеров, территориально расположенных в непосредственной близости один от другого, то среда передачи данных образуется за счет кабельных соединений между компьютерами. При увеличении числа компьютеров, включаемых в вычислительную структуру, оказывается необходимым прокладывать дополнительные линии связи. При больших расстояниях между узлами необходимо использовать дополнительные ретрансляционные станции, расположенные друг от друга на расстояниях, составляющих 100 — 300 метров. Использование в качестве линий передачи волоконно-оптических линий связи также сталкивается с проблемами их прокладки между элементами распределенной вычислительной структуры.

Если компьютеры, объединяемые в вычислительную структуру, располагаются на существенных расстояниях один от другого, то среда передачи данных организуется за счет использования радиоканалов, использующих для передачи информации электромагнитные волны сверхвысоких частот. Подобные линии связи позволяют разворачивать распределенные вычислительные структуры вне зависимости от особенностей расположения их элементов. Основным требованием к каналам связи при проектировании подобной среды передачи данных является необходимость обеспечить широкую полосу пропускания, необходимую для передачи сигналов с избыточной информативностью для уменьшения вероятности появления ошибки в передаваемой информации [34]. Одним из перспективных подходов к построению распределенных вычислительных структур является RadioEthernet, работающий на основе стандарта IEEE 802/11. В соответствии с требованиями этого стандарта ширина спектра сигнала составляет 22 МГц при несущей частоте 2,4 ГГц. При этом обеспечивается скорость передачи информации до 6 Мбит/с. Для обеспечения подобной полосы пропускания в телекоммуникационные системы должны быть включены широкополосные антенны с большим коэффициентом усиления, позволяющие обеспечить надежную связь между абонентами на расстояниях 15−20 км. Требования к большому коэффициенту усиления антенны связаны с ростом затухания при распространении сигналов более высоких частот.

Разработка методов и алгоритмов для решения задачи автоматизации проектирования широкополосных антенн с большим коэффициентом усиления осуществляется на протяжении ряда лет. Существуют различные подходы к решению подобных задач [35, 60]. К первому из них относятся методы, временная сложность которых является экспоненциальной. Из них наиболее известны метод ветвей и границ, линейного и нелинейного программирования, отсечения и т. д. Ко второму подходу относятся эвристические алгоритмы, опирающиеся на априорную информацию о проектируемых устройствах. Как правило, они позволяют получать удовлетворительные технические решения за приемлемое время. К третьему подходу относятся алгоритмы случайно-направленного поиска, основанные на принципах моделирования природных эволюционных процессов.

Недостатки первого из указанных подходов очевидны. При усложнении проектной задачи время, необходимое для ее решения этими методами, может оказаться неприемлемым. Недостатки эвристических алгоритмов решения задачи заключаются в низком качестве решения и в ограничении области поиска возможных решений. Велики также временные затраты на поиск эффективных решений. Ограничение области поиска связано с моделями проектируемых устройств, которые строятся на основе обработки экспериментальных данных. Указанные модели, как правило, удовлетворительно описывают поведение проектируемой системы в ограниченной области изменения параметров системы. Поэтому выход проектных параметров за область адекватности используемых эвристических моделей может приводить к появлению технически необоснованных решений. Тем не менее, следует отметить, что существуют эвристические подходы, которые на основе анализа экспериментальных данных позволяют выделить в проектном пространстве область предположительного расположения эффективных решений. Совмещение подобных эвристических подходов с моделями проектируемых систем, построенных на базе применения точных методов и аппарата интегро-дифференциальных уравнений, позволяет существенно уменьшить вычислительные затраты при решении проектных задач. Алгоритмы случайно-направленного поиска обладают способностью находить более качественное решение за приемлемое время. Качество полученного решения определяется выбором функции пригодности и методом описания проектируемой системы. Использование алгоритмов случайно-ориентированного поиска в совокупности с эвристическими ограничениями и математическими моделями проектируемых систем, опирающимися на интегро-дифференциальные уравнения, позволяет найти принципиально новые конструкции проектируемых систем.

Одним из методов случайно-направленного поиска является метод генетического поиска [23]. В середине прошлого века американский исследователь Дж. Холланд [92] описал методологию изучения адаптивных систем и их применения для искусственных систем, а также разработал подходы к решению комбинаторно-оптимизационных задач. Идеи Холланда и его учеников оказались плодотворными и эффективными. В настоящее время генетические алгоритмы — это хорошо известная и эффективная технология оптимизации, применяемая для различных задач техники, моделирующая естественный процесс эволюции в качестве средства достижения оптимума. Она основана на имитации процессов натуральной селекции и генетических преобразований [23].

Достоинства генетических алгоритмов в сравнении с другими подходами к решению задач оптимизации заключаются в том, что они начинают работать с популяцией решений, комбинируя и наследуя при этом элементы наиболее качественных решений. Их применение позволяет уменьшить вероятность попадания оптимизационного процесса в локальные оптимумы [25].

Другим методом случайно-направленного поиска является метод имитации отжига. Он был применен для решения комбинаторно-оптимизационных задач в конце прошлого века. С тех пор этот метод широко используется при решении технических задач, проводятся исследования и разработки его модификаций [64]. Алгоритм имитации отжига повышает вероятность выхода поискового процесса из локальных экстремумов. Недостатком этого метода является большая временная сложность. Алгоритм генетического поиска обладает более быстрой сходимостью по сравнению с методами динамического программирования и моделирования отжига, простотой реализации, но может сходиться к локальному экстремуму используемой функции пригодности [63].

Недостатки существующих генетических алгоритмов, применяемых для решения задач проектирования элементов телекоммуникационных систем, заключаются в повышенных требованиях к объёму памяти и времени работы алгоритма проектирования.

Ввиду вышеизложенного, разработка алгоритмов, позволяющих найти приемлемое по качеству и по трудоёмкости решение задачи проектирования элементов телекоммуникационных систем, является АКТУАЛЬНОЙ.

ПРОБЛЕМОЙ, стоящей перед разработчиками САПР.

ЦЕЛЬЮ диссертационной работы является разработка генетических алгоритмов для решения задачи автоматизации проектирования элементов телекоммуникационных систем.

Для достижения поставленной задачи было сделано следующее:

1. предложен алгоритм эволюционного проектирования элементов телекоммуникационных систем;

2. разработаны проблемно-ориентированные компоненты генетического поиска: формирование начальной популяции с использованием эвристических ограничений, модифицированные генетические операторы, позволяющие улучшить качество решений;

3. разработаны двухуровневые методы селекции с целью выделения лучших решений;

4. реализован генетический алгоритм получения решения на основе последовательного и смешанного представления информации;

МЕТОДЫ ИССЛЕДОВАНИЯ в диссертации основаны на использовании элементов теории множеств, теории алгоритмов, теории комбинаторной оптимизации, интегральных уравнений.

НАУЧНАЯ НОВИЗНА диссертационной работы заключается в следующем: а) разработан механизм эволюционного проектирования элементов телекоммуникационных систем при последовательной и смешанной системах кодированияб) определена процедура формирования начальной популяции с учетом эвристических ограниченийв) предложены схемы двухуровневой селекцииг) определена процедура формирования текущей популяции альтернативных решений с учетом эвристических ограниченийд) получены вероятностные оценки поведения функции пригодности в зависимости от параметров генетического алгоритма.

ПРАКТИЧЕСКУЮ ЦЕННОСТЬ работы представляют:

— алгоритмы и программы эволюционного проектирования элементов телекоммуникационных систем на основе последовательного и смешанного представления информации;

— схемы двухуровневой селекции и двухуровневой параллельной селекции;

— функции пригодности для эволюционного проектирования узкополосных и широкополосных антенн.

РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ РАБОТЫ. Основные теоретические и практические результаты диссертационной работы использованы в госбюджетной работе, проведенной в Таганрогском Государственном Радиотехническом Университете г/б НИР № 14 890 в 2001 г. При выполнении гранта РФФИ № 01−01−44 применены схемы двухуровневой селекции. Материалы диссертации также использованы в учебном процессе на кафедре ТОЭ ТРТУ в цикле практических занятий.

АПРОБАЦИЯ основных теоретических и практических результатов работы. Результаты работы докладывались и обсуждались на научно-технических семинарах в Таганрогском Государственном радиотехническом университете (2001 -2003г.г.), на Всероссийских конференциях «Информационные системы и технологии» (Нижний Новгород, 2001 г., 2002 г.), на научной сессии МИФИ (Москва, Россия, 2002 г.), на международной конференции SIMS 2002 (Оулу, Финляндия, 2002 г.), на международной конференции IEEE AIS'02 «Прикладные интеллектуальные системы» (Дивноморск, Россия, 2002), на международных конференциях «Интеллектуальные САПР» (Дивноморск, Россия, 2001 г., 2002 г.), на международной конференции ММЕТ'2002 (Киев, Украина, 2002 г.), На международной конференции IEEE AIS'03 «Интеллектуальные системы 2003» (Дивноморск, Россия, 2003 г.).

ПУБЛИКАЦИИ. Результаты диссертации отражены в 12-ти печатных работах. Получено авторское свидетельство на программу эволюционного проектирования вибраторных антенн.

СТРУКТУРА И ОБЪЁМ ДИССЕРТАЦИОННОЙ РАБОТЫ. Диссертационная работа состоит из введения, четырёх глав, заключения, списка литературы и приложения. Работа содержит 129 стр., а также 20 рис., список литературы из 121 наименования, 3 стр. приложений и актов об использовании.

4.5. Выводы.

Полученные в этой главе результаты позволяют сделать следующие выводы:

1. Эффективность эволюционного процесса определяется размером популяции, генетическим давлением на популяцию и вероятностью мутации. Увеличение размера популяции при фиксированных значениях генетического давления и вероятности мутации приводит к увеличению эффективности эволюционного процесса и улучшением качества получаемых решений. Для функций пригодности, предложенных в данной работе, увеличение размера популяции сопровождается улучшением качества найденных решений при фиксированном числе итераций. Это объясняется увеличением объема генетического материала, анализируемого в ходе поискового процесса.

2. Существует эффективное значение генетического давления, позволяющего обеспечить улучшение качества решений, достижимых за фиксированное число итераций. При размере популяции, составляющем 50 альтернативных решений, для рассмотренной функции пригодности (4.1) эффективное генетическое давление составляет 60% от размера популяции. При увеличении размера популяции до 400 альтернативных решений эффективное генетическое давление составляет 87,5%. При генетическом давлении, меньшем, чем эффективное, скорость обновления популяции оказывается малой, что способствует длительному существованию в ней технических решений с малой конкурентной способностью. При увеличении генетического давления свыше эффективного значения наблюдается уменьшение числа альтернативных решений, используемых в эволюционном процессе для образования потомков, что также сопровождается уменьшением скорости эволюционного процесса и повышает вероятность его попадания в локальный экстремум функции пригодности в поисковом пространстве.

3. Существует эффективная вероятность мутации, позволяющая улучшить качество найденных решений. Её величина находится в интервале от 1% до 5%. При вероятности мутации, меньшей 1%, мутация практически не оказывает влияния на эволюционный процесс, а при вероятности мутации, превышающей 5%, эволюционный поиск сводится к простому случайному перебору решений.

4. Эффективность применения алгоритмов эволюционного проектирования с операторами одноточечного и двухточечного кроссинговера определяется используемыми функциями пригодности. Проведенные исследования позволяют сделать вывод о перспективности использования функции пригодности (4.2) для проектирования широкополосных антенн.

5. Применение эвристических ограничений позволяет существенным образом уменьшить процент технически некорректных решений, возникающих в эволюционном процессе. Полученные в результате эволюционного процесса конструкции антенн оказываются устойчивыми к незначительным изменениям длин элементов антенн и расстояний между ними, неизбежными при изготовлении антенн.

ЗАКЛЮЧЕНИЕ

.

1. На основе проведённого анализа литературы выделены достоинства и недостатки существующих методов решения задачи эволюционного проектирования элементов телекоммуникационных систем.

2. Разработаны алгоритмы эволюционного проектирования ди-польных антенн при последовательной и смешанной системах кодирования решений.

3. Разработаны проблемно-ориентированные компоненты: алгоритм формирования начальной популяции, позволяющий устранить технически некорректные решения из популяции альтернативных решений.

4. Разработаны схемы двухуровневой селекции, позволяющие обеспечить разнообразие генетического материала и отбор лучшего генетического материала за счет иерархического принципа организации процесса селекции.

5. Произведены экспериментальные исследования поведения функции пригодности для различных управляющих параметров генетического алгоритма с целью повышения эффективности эволюционного поиска. Показано, что увеличение размера популяции приводит к улучшения качества найденных решений. Предложены рекомендации по выбору эффективных значений генетического давления и вероятности мутации.

6. Произведены экспериментальные исследования по эволюционному проектированию элементов телекоммуникационных систем с заданными техническими характеристиками при использовании однои двухточечного операторов кроссинговера для различных функций пригодности. Показано, что эффективность применения алгоритмов эволюционного проектирования с операторами одноточечного и двухточечного кроссинговера определяется используемыми функциями пригодности. Проведенные исследования позволили сделать вывод о перспективности использования функции пригодности (4.2) в эволюционном проектировании широкополосных антенн.

7. В результате экспериментальных исследований показана перспективность применения динамических штрафных коэффициентов в процессе эволюционного проектирования.

Показать весь текст

Список литературы

  1. Ю.А. Абилов, P.A. Алиев, И. М. Насиров. Генетический алгоритм с групповым выбором и направленной мутацией. Изв. РАН. Теории и системы управления № 5, 1997. с. 96−99.
  2. Г. З. и др. Антенны УКВ. В двух частях. М.: «Связь», 1977. 667с., ил.
  3. Д.И. Генетические алгоритмы решения экстремальных задач: Учебное пособие. Воронеж: ВГТУ, 1995.
  4. Л.С., Карелин В. П., Целых А. Н. Модели и методы принятия решений в интегрированных интеллектуальных системах. Ростов н/Д.: Издательство РГУ, 1999.
  5. И.Н., Семендяев К. А. Справочник по математике для инженеров и учащихся втузов. М: Наука, 1986.
  6. И.Л. Когнитивные процессы эволюционирующих систем. М.: РАН, ИРЭ, препринт № 10(598), 1994.
  7. И.Л. Эволюционное моделирование и его приложения. М.: Наука, 1991.
  8. И.Л. Эволюционные технологии средства интенсивной информатизации. М.: РАН, ИРЭ, препринт № 5(593), 1994.
  9. Вычислительные методы в электродинамике. Под ред. Р. Митры. Москва, «Мир», 1977, 485с., ил.
  10. Искусственный интеллект. Справочник в 3 кн. М. Радио и связь, 1990.
  11. Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ. -М., МЦНМО, 2000. 960 с.
  12. В.В., Гареев А. Ф. и др. Базы данных. Интеллектуальная обработка информации. М. Нолидж, 2000. 352 с.
  13. В.П., Курейчик В. М., Норенков И. П. Теоретические основы САПР. Москва.: Энергоатомиздат, 1987.
  14. В.В. Курейчик. Эволюционные методы решения оптимизационных задач. Таганрог, 1999, ТРТУ.
  15. В.М. Генетические алгоритмы. Изд-во ТРТУ. 1998, 242 с.
  16. В.М. Генетические алгоритмы. Обзор и состояние. Новости ИИ, 1998, № 3. с.14−64.
  17. В.М. Курейчик. Генетические алгоритмы. Состояние. Проблемы. Перспективы. Изв. РАН. Теории и системы управления под № 1,1999. с. 144−160.
  18. В.М., Зинченко JI.A. Синергетическое эволюционное проектирование. Труды конференции КИИ 2002. М. Физматлит, 2002, с. 876−884.
  19. В.М., Зинченко JI.A. Эволюционное моделирование с динамическим изменением параметров. Труды VII национальной конференции по искусственному интеллекту, М., Физматлит, 2000, с. 516−523.
  20. В.М., Зинченко Л. А., Хабарова И. В. Алгоритмы эволюционного моделирования с динамическими параметрами. // Информационные технологии № 6, изд. «Машиностроение», 2001 г, с.10−15.
  21. В.М., Курейчик В. В. Эволюционные, синергетические и гомеостатические стратегии. Состояние и перспективы// Новости искусственного интеллекта. М., № 3,2000, с.22−92.
  22. Г. Т., Сазонов Д. М. Антенны. Москва, Радио и связь, 1979, 376с., ил.
  23. E.H., Торгованов В. А. Измерение характеристик рассеяния радиолокационных целей. / Под ред. М. А. Колосова. — М.: Сов. радио, 1972.-239с.
  24. A.B., Поповкин В. И., Торопов А. Ю., Проектирование тонкопроволочных антенн с использованием ЭВМ методом интегральных уравнений: Учеб. Пособие. Рязань: РРТИ, 1987. 68 с.
  25. Методы генетического поиска. Под редакцией В. М. Курейчика. Изд-во ТРТУ, Таганрог, 2002, 145с., илл.
  26. И.П. Основы автоматизированного проектирования. М.: МГТУ, 2000. 360 с.
  27. И.П., Маничев В. Б. Основы теории проектирования САПР. -М.: Высшая школа, 1990.
  28. A.B. Осыка. Экспериментальное исследование зависимости скорости сходимости генетического алгоритма от его параметров. //Изв. РАН. Теории и системы управления № 5, 1997. с. 100−111.
  29. X., Стайглиц К. Комбинаторная оптимизация. Алгоритмы и сложность. М: Мир, 1985.
  30. A.B., Черненький В. М. Проблемы и принципы создания САПР. М.: Высшая школа, 1990.
  31. Г. С. Искусственный интеллект основа новой информационной технологии. М.: Наука, 1988.
  32. Применение математических методов и ЭВМ. Планирование и обработка результатов эксперимента: Учеб. пособие. / Под общ. ред. Останина А. Н. Минск.: Вышэйшая школа., 1989. 218 е.: ил.
  33. Разработка САПР. Под ред. A.B. Петрова М.: Радио и связь, 1986.
  34. Системы автоматизированного проектирования: В 9-ти кн. Кн. 6. Автоматизация конструкторского и технологического проектирования. Учебное пособие для втузов. / Под ред. Норенкова И. П. М.: Высшая школа, 1986.
  35. С.Н. Применение интегрального уравнения Халена к анализу полей излучения вибраторных антенн и оптимизации их конструкций, Известия высших учебных заведений Электромеханика, 2002, том 1 (2), стр. 8−13.
  36. С. Н., Горемыкин Е. В., Савельев В. В, Олейник М. П., Иванченко Е. В. Использование уравнений Халлена при решении задач оптимизации конструкции вибраторных антенн, Известия ТРТУ, № 3, 2002, с.113−118.
  37. С.Н., Зинченко JI.A., Олейник М. П. Эволюционное проектирование антенн Яги-Уда с улучшенными характеристиками.
  38. Труды конференции «ИСАПР 2003» ICAD 2003. М. Физматлит, 2003, с.30−39.
  39. С.Н., Олейник М. П. Выбор целевой функции в задачах эволюционного проектирования вибраторных антенн. Международные научно-технические конференции IEEE AIS'02, CAD-2002, Москва, Физматлит, 2002, с. 47−49
  40. С.Н., Олейник М. П. Моделирование процессов излучения в антенных решетках для САПР транкинговой связи, Известия ТРТУ, № 4, Таганрог, 2001, с.365.
  41. С.Н., Олейник М. П. Оптимизация конструкции антенн базовых и подвижных станций транкинговой связи. Известия ТРТУ, № 4, Таганрог, 2001, с.200−204.
  42. С.Н., Олейник М. П. Программа эволюционного проектирования вибраторных антенн. Свидетельство об официальной регистрации программы для ЭВМ № 2 003 612 019, 2003.
  43. С.Н., Рассоха Д. П., Савельев В. В., Климов А. В., Применение эвристик при решении задачи эволюционного проектирования вибраторных антенн, Перспективные информационные технологии и интеллектуальные системы, № 4(12), 2002, стр.63−69.
  44. С.Н., Савельев В. В. Типы связных антенн. -Изд-во ТРТУ, 1998, 52с., ил.
  45. Эвоинформатика. Теория и практика эволюционного моделирования. Букатова И. Л. и др. М. Наука, 1991.
  46. Angeline P.J., Pollack J.B. Evolutionary Module Acquisition. Proceedings of the Second Annual Conference on Evolutionary Programming., ed. by D.B. Fogel and W. Atmar. Palo Alto, 1993, CA: Morgan Kauffman.
  47. Alander J.T., Zinchenko L.A., Sorokin S.N. Analysis of Fitness Landscape Properties for Evolutionary Antenna Design, Proceedings of IEEE International conference on Artifical Intelligence Systems, Divnomorskoe, Russia, 2002, pp. 363−368.
  48. Alander J.T., Zinchenko L.A., Sorokin S.N., Oleynik M.P. Modelling Radiation Processes for Evolutionary Antenna Design, Proc. SIMS'02, Oulu, Finland, 2002, pp. 266−271.
  49. Altshuller E. E., Linden D. S. Wire-Antenna Design Using Genetic Algorithm, IEEE Antennas and Propagation Magazine, 39, 2, 1997, pp. 3343.
  50. Austin B.A., Liu W.-C., «An Optimised Shaped Yagi Uda Array Using the Genetic Algorithm», Proc. of IEE National conference on Antennas and Propagation, York, UK, 1999, pp. 245−248.
  51. Back T. Evolutionary Algorithms in theory and Practice. Oxford University Press, New York, 1996.
  52. Back Т., Fogel D.B. and Michalewicz. Handbook of Evolutionary Computation, Institute of Physics Publishing Ltd., Bristol and Oxford University Press, New York, 1997.
  53. Barjee P M. Jones. A Parallel Simulated Annealing Algorithm for Standart Cell Hyper Cube Computer. // Proc. Int Conf. on CAD 1986, pp. 156−159.
  54. Bentley P. Evolutionary Design by Computers, Morgan Kaufmann, 1999
  55. Boag, E. Michielson, and R. Mittra, «Design of electrically loaded wire antennas using genetic algorithms,» IEEE Transactions on Antennas and Propagation, vol. 44, pp.687−695, May 1996.
  56. P.P. Bonissone, Y.-T. Chen, K. Goebel, K.S. Khedkar. Hybrid soft computing systems: Industrial and Commercial Applications, Proceedings of IEEE, 87(9), 1641−1667, 1999.
  57. Burke G. J. Recent Improvements to the Model for Wire Antennas in the Code NEC, Proc. Antennas and Propagation Society International Symposium, Vol. 1, 1989, pp. 240−243.
  58. Burke G.J. and Poggio A.J. Numerical Electromagnetics Code (NEC) -Method of Moments, Lawrence Livermore National Laboratory, Rept. UCID-18 834, January, 1981
  59. Chien-Hung Chen and Chien-Ching Chiu, Synthesizing Sectored Antennas by the Genetic Algorithm, pp. 125−127.
  60. Cordon, H. Herrera, M. Lozano. A classified review on the combination fuzzy logic-genetic algorithms bibliography. http://descai.ugr.s/~herrera/flga.html, Granada, Spain, 1995.
  61. K.A. De Jong, An Analysis of the Behavior of a Class of Genetic-adaptive Systems. Ph.D. Thesis, University of Michigan, 1975.
  62. Fogel D. B. An Introduction to Simulated Evolutionary Optimization. IEEE Transactions on Neutral Networks, v. 5, no. 1, Jan. 1994, p.3−14.
  63. D.B. Fogel. Evolutionary Computation. New York. NY: IEEE Press, 1995.
  64. Fogel D.B. On the Philosophical Difference between Evolutionary Algorithms and Genetic Algorithms. Proceedings of the Second Annual Conference on Evolutionary Programming, ed. by D.B. Fogel and W. Atmar. Palo Alto, 1993, CA: Morgan Kauffman.
  65. Fonseca C.M., Fleming P.J. Multiobjective Optimization and Multiple Constraints Handling with Evolutionary Algorithm. IEEE Transactions on Systems, Man, and Cybernetics 28(1) (1998) 26−37
  66. Richard A. Formato, Genes and Yagis, Electronics World, pp. 646−648, August 1998.
  67. Genetics Algorithms. Editor T.Back. Proceedings of the 7th Internationalconf., San Francisco, USA, Morgan Kaufman Publishers, Inc, 1997.• th
  68. Genetics Algorithms. Editors R. Belew, L.Booker. Proceedings of the 41. ternational conf., San Mateo, USA, Morgan Kaufman Publishers, 1991.
  69. Genetics Algorithms. Editor R. Forrest. Proceedings of 5th International conf., San Mateo, USA, Morgan Kaufman Publishers, 1993.
  70. Genetics Algorithms. Editor Lawrence Elbaum. Proceedings of the 1st International conf., New Jersey, USA, Associates Publishers, 1985.
  71. Genetic Algorithm. Editor D. Schaffer D. Proceedings 3d International conf., San Mateo, USA, Morgan Kaufman Publishers, 1989.
  72. Chipperfield, P. Fleming. Evolutionary Computation. An Overview of Evolutionary Algorithms for Control Systems Engineering. http://www.shef.ac.uk/uni/projects/gaipp/control 1 .html, 1996r.
  73. Goldberd D. E. Genetic Algorithms in Search, Optimization and Machine Learning. USA: Addison-Wesley Publishing Company, Inc., 1989, 412 p.
  74. Grefensette J. Optimisation of Control Parameters for genetic algorithms, IEEE Transactions onSystems, Man and Cybernetics, 16(1), 1986.
  75. Handbook of Genetic Algorithms, Edited by Lawrence Davis. USA: Van Nostrand Reinhold, New York, 1991.
  76. R.L. Haupt, «Thinned arrays using genetic algorithms,» IEEE Transactions on Antennas and Propagation, vol. 42, pp. 993−999, July 1994.
  77. F. Herrera, M. Lozano. Adaptive Genetic Algorithms, based on Fuzzy Techniques. Proc. Of IPMU'96, Granada, Spain, 1996, p. 775−780.
  78. Higuchi T., Iwata M. etc. Real World Applications of Analog and Digital Evolvable Hardware, IEEE Transactions on Evolutionary Computation, 1999,3, pp. 220−235.
  79. T., Takahashi E., Kasai Y., Murakawa M., «A Post-Silicon Clock Timing Adjustment Using Genetic Algorithm», 2003 Symposium on VSLI Circuits Digest of Technical Papers, June 2003.
  80. Holland John H., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. USA: University of Michigan, 1975.
  81. J.H., «Genetic Algorithm, Scientific American, July 1992.
  82. E. A., Joines W. T., «Design of Yagi-Uda antennas using genetic algorithm», IEEE Transactions Antennas and Propagation, 45, 1997, pp. 1386−1391.
  83. J. Koza. Genetic Programming: on the Programming of Computers my Means of Natural Selection, Cambridge, MA: MIT Press, 1992.
  84. Koza J.R., Bennett F. H., Andre D., Keane M. A. Genetic Programming III: Darwinian Invention and Problem Solving, Morgan Kaufmann, San Francisco, 1999.
  85. V.M. Kureichik, L.A. Zinchenko. Evolution modeling of integrated dynamic systems. Proceedings ICAFS 2000, Siegen, Germany, June 27−29 2000, Verlag, p. 160−164.
  86. Kureichik V.M., Zinchenko L.A. Evolutionary Modelling with Hierarchy in Innovative Computer-Aided Circuit Design, IETE Journal of Research, Vol. 48, No5, 2002, pp. 361−367.
  87. Linden D. S. Optimizing Signal Strength in-Situ Using an Evolvable Antenna System, Proceedings of the 2002 NASA DoD Conference on Evolvable Hardware EH 2002, Computer Press, 2002, pp. 147−151.
  88. Linden D.S., Altshuller E.E., Evolwing Wire Antenna Using Genetic Algorithm: A Review, Evolwable Hardware. 1999. Proceeding of the first NASA/DOD Workshop, 1999. P. 225−232.
  89. Liu W.-C., Austin B.A., Optimised shaped parasitic array using the genetic algorithm, IEE Proc.-Microw. Antennas Propag. Vol 146, N5, October 1999.
  90. Lohn J. D., Kraus W.F., Linden D.S., Colombano S.P. Evolutionary Optimization of Yagi Uda Antenna, Proc. of the Fourth International Conference on Evolvable Systems, Tokyo, 2001, pp. 236−243.
  91. Michalewitch Z. Genetic Algorithms+ Data Structure= Evolution Program. Springer-Verlag, New York, 1994.
  92. Michalewicz Zbigniew, Michalewicz Maciej. Evolutionary computation: main paradigms and current directions. //Appl. Math, and Comput. Sci. -1996. -6, № 3. c.393−413.
  93. Muhlenbein H., Kureichik V.M., Mahnig T., Zinchenko L.A. Adaptive Algorithms of Evolutionary Modeling with knowledge for multiagent CAD system, Proceedings of the International symposium NOLTA, Japan, 2001, pp. 299−302.
  94. Muhlenbein H., Kureichik V.M., Mahnig T., Zinchenko L.A. Algorithms of Evolutionary Modeling with knowledge for multi-agent CAD system, Proceedings of IEEE INES, Finland, 2001, pp. 185−190.
  95. Potts C.I., Giddens T.D., Yadav S.B. The Development and Evaluation of an Improved Genetic Algorithm Based on Migration and Artificial selection. IEEE Trans, on Systems, Man and Cybernetics, vol.24, No. l, 1994, p. 73 -86.
  96. Practical handbook of Genetic Algorithms. Complex Coding Systems. / Edited by Lance D. Chambers. CRC Press LLC, 1999.
  97. Richardson J. T., Palmer M. R., Liepins G., Hilliard M. Some Guidelines for Genetic Algorithms with Penalty Functions. Proceedings of the Third International Conference on Genetic Algorithms, Morgan Kaufmann, San Mateo, CA, 1989, pp. 191−197.
  98. Sorokin S.N. Modeling of Radiation Processes in Communication Systems, Proceedings of the 4 International Conference on MultiDimensional Mobile Communication MDMC'01, Pori, Finland, 2001, pp. 117−124.
  99. R. Subbu, A. Anderson, P.P. Bonissone. Fuzzy Logic Controlled Genetic Algorithms versus Tuned Genetic Algorithms. Proc. IEEE Int. Symp. On Intelligent Control, NIST, Maryland, 1998.
  100. Weile D.S., Michielssen, «Genetic Algorithm Optimization Applied to Electromagnetics: a review», IEEE Transactions on Antennas and Propagation, 1997, 45(3), pp. 343−353.115. www.ansoft.com116. www.ansys.com
  101. Yao X.,. Liu Y. Getting Most Out of Evolutionary Algorithms. Proceedings of the 2002 NASA DoD Conference on Evolvable Hardware EH 2002, Computer Press, 2002, pp. 8−14.
  102. L.A. Zadeh. Fussy Logic and Soft Computing: Issues, Contentions and Perspective. Proc. Of IIZUKA 94, Third Int. Conf. On Fuzzy Logic, Neutral Nets and Soft Computing, 1−2, Iizuka, Japan, 1994.
  103. L.A. Zadeh. Some reflection on soft computing, granular computing and their roles in the conception, design and utilization ofinformation/intelligent systems, Soft computing. A Fusion of Foundations, Methodologies and Applications, 2(1), 7−11, 1998.
  104. Zebulum R. S., Pacheco M., Vellasco M. Evolutionary Electronics: Automatic Design of Electronic Circuits and Systems by Genetic Algorithms, CRC Press, 2002.
  105. Zitzler E., Deb K., Thiele L. Comparison of Multiobjective Evolutionary Algorithms: Empirical Results. Evolutionaiy Computation 8 (2) (2000) 173−195
Заполнить форму текущей работой