Описана автоматизированная система моделирования и диагностики АСМИД-Е, разработанная в Институте прикладной математики и механики НАН Украины. В данную версию системы вошли программы, реализующие новые алгоритмы моделирования и генерации тестов. Особое внимание уделено быстродействию алгоритмов и качеству генерируемых тестовых наборов, чему способствует ориентация системы на универсальную многозначную логику В16, а также использование генетических алгоритмов. Применение данной системы должно способствовать повышению эффективности проектирования и производства цифровых устройств.

Разработан алгоритм параллельного моделирования функциональных неисправностей типа "неисправности одиночного перехода" для последовательных цифровых схем. Алгоритм реализован на языке Си персональных компьютеров ІВМ РС с использованием единой системы многозначных функций.

Рассмотрена проблема построения тестов для синхронных последовательных схем с помощью генетического алгоритма. На основе моделирования генетической стратегии построения тестов показаны сравнимые с детерминированными методами результаты, которые обладают прозрачностью стратегии и простотой реализации. Предложены методы, позволяющие повысить быстродействие генетического алгоритма: оптимизированный способ построения новой популяции и параллельное вычисление оценочных функций.

Раскрыты основные теоретические положения эволюционных вычисслений как нового научного направления в теории интеллектуальных систем. Показаны возможности применения эволюционных вычислений при решении различных технических задач. Изложены основы теории генетических алгоритмов (ГА), сформулированные Холландом и Д. Голдбергом. Описаны генетические операторы репродукции, кроссинговера и мутации, показано их влияние на "выживаемость" отдельных групп особей, которые обладают (или не обладают) некоторыми свойствами. Рассмотрены задачи комбинаторной оптимизации, а также основные виды представления потенциальной задачи коммивояжера и проблемно-ориентированные генетические операторы. Даны сведения о современных обобщениях и модификации ГА, параллельных и вероятностных ГА. Описаны основные виды параллелизации и способы их реализации. Раскрыты основы генетического программирования и машинного обучения, проведено сравнительное исследование эволюционной стратегии и генетических алгоритмов, показаны возможности применения эволюционного программирования в прогнозировании и задачах управления. Освещены вопросы программной и аппаратной реализации ГА.

Розглянуто основні теоретичні та методологічні матеріали з еволюційних обчислень, які є самостійним напрямом у теорії інтелектуальних систем. Розкрито базисні поняття класичних генетичних алгоритмів (ГА), теорія схем і розв'язки задач числової та комбінаторної оптимізації за допомогою ГА. Висвітлено узагальнення та модифікації ГА, паралельні та ймовірнісні ГА. Викладено основи генетичного програмування та машинного навчання, еволюційні стратегії та програмування, а також питання програмної й апаратної реалізації ГА.

Рассмотрены основные теоретические и методологические материалы по эволюционным вычислениям, являющихся самостоятельным направлением в теории интеллектуальных систем. Раскрыты базисные понятия классических генетических алгоритмов (ГА), теория схем и решения задач числовой и комбинаторной оптимизации с помощью ГА. Освещены обобщения и модификации ГА, параллельные и вероятностные ГА. Изложены основы генетического программирования и машинного обучения, эволюционные стратегии и программирование, а также вопросы программной и аппаратной реализации ГА.

Отмечено, что разработка САПР для цифровых устройств является одной из наиболее важных задач на текущий момент. Для улучшения характеристик и эффективности таких систем применяются различные методы искусственного интеллекта. В последнее десятилетие методы, основанные на применении генетических алгоритмов (ГА), эффективно используются для решения этих задач. Обсуждены преимущества и недостатки различных техник решения задачи построения тестов для цифровых последовательностных схем, основанных на ГА, и описан метод, реализованный в системе АСМИД-Е. Описано применение различных подходов, основанных на ГА, на различных этапах проектирования СБИС. Показано, что методы эволюционных вычислений могут успешно конкурировать с более традиционными подходами или быть интегрированными с ними.

Описано методику та результати прогнозування на основі генетичного програмування. Розроблено програмне забезпечення для прогнозування цін на автомобілі, які були у використанні, виробництва країн СНД.

Розглянуто існуючі методи оцінки кредитного ризику. Виконано аналітичний огляд застосованих нейромережевих технологій оцінки кредитного ризику. Виділено фактори ризику, що включають: фінансові відносини, галузеві ознаки, організаційні фактори й економічні макропоказники. Запропоновано нову модифікацію нейромережевої моделі оцінки кредитного ризику. На базі традиційної моделі кредитного ризику запропоновано нові індикатори для нейромережевих систем. Показано, що їх використання, на додаток до традиційних фінансових індикаторів-відносин, забезпечує істотне підвищення точності прогнозу кредитного ризику.

Розглянуто метод розв'язку задачі гільотинного розкрою на базі генетичного програмування. Алгоритм ураховує технологічні обмеження розпила дерева. Для представлення розв'язків розроблено деревоподібну структуру даних, на якій визначено генетичні оператори схрещування та мутації. Запропоновано фітнес функцію, що відображає щільність упакування деталей. Розглянуто програмну реалізацію генетичного алгоритму даної задачі. Проведено її тестування та порівняння з відомими аналогами.

Розглянуто проблему верифікації та тестування складних цифрових систем, поданих на мовах опису апаратури високого рівня (VHDL, VERILOG). Досліджено функціональні моделі несправностей цифрових систем, описаних за допомогою цих мов.

Дано краткое описание и характеристика вероятностных и компактных генетических алгоритмов (ГА), которые в отличие от классических ГА основаны на вероятностном представлении популяции. Представлены результаты анализа эффективности работы таких ГА по сравнению с традиционными. На основании изложенной информации сделаны соответствующие выводы и рекомендации.

Розглянуто питання залежності повноти побудови тестів цифрових пристроїв від параметрів генетичного алгоритму, що застосовується при генерації тестів, а саме: ймовірності операторів схрещування та мутації. Запропоновано модифікацію генетичного алгоритму побудови тестів послідовнісних схем. Проведено серію машинних експериментів та одержано оптимальні значення ймовірностей застосування вказаних генетичних операторів у ході вирішення заданої проблеми.

Розглянуто проблему попередньої обробки даних в задачах прогнозування часових рядів. Досліджено методи скорочення числа значущих факторів для задачі прогнозу. Описано використання компактних генетичних алгоритмів для відбору цих факторів. Використано модифікацію кроку алгоритму для відбору факторів та подальшого нейромережевого прогнозування.

Рассмотрены проблемы построения распределенных алгоритмов генерации тестовых последовательностей и моделирования цифровых схем с неисправностями. Описаны различные пути организации параллельных вычислений.

Одним из самых перспективных направлений в генерации проверяющих тестов дискретных устройств является использование генетических алгоритмов (ГА). Проведены исследования по применению распределенных ГА (РГА) в генерации тестов, где на предыдущем этапе реализован РГА на основе модели "рабочий - хозяин". Кратко описана программная реализация предложенного алгоритма и приведены численные результаты машинных экспериментов.

Представлен обзор перспективного направления в информатике и инженерии - генетических алгоритмов (ГА). ГА основаны на формализации природной эволюции и эффективно применяются в различных областях современной науки, особенно при решении задач, которые не могут быть решены с помощью строгих методов. В последние десятилетия это направление глубоко исследуется и получены существенные результаты. Обсуждены преимущества и недостатки современных ГА.

Представлен иерархический генетический алгоритм генерации тестов, где на нижнем уровне эволюционными методами сначала генерируются некоторые входные характеристические последовательности, которые позволяют установить некоторые элементы (прежде всего памяти) в определенные состояния и тем самым упростить генерацию тестов. Генетический алгоритм второго верхнего уровня при генерации тестов в качестве "строительного материала" использует произвольные входные последовательностями и характеристические последовательности, построенные на нижнем уровне ГА, что делает эволюционный поиск более направленным и повышает его эффективность. При оценке полноты тестов используется кратная стратегия наблюдения сигналов.

Представлен двухуровневый алгоритм генерации тестов, где на нижнем уровне эволюционными методами генерируются входные характеристические последовательности, которые позволяют установить некоторые элементы памяти в определенные состояния и тем самым упростить генерацию тестов. Алгоритм второго верхнего уровня при генерации тестов использует произвольные входные последовательности и характеристические последовательности, построенные на нижнем уровне ГА, что делает эволюционный поиск более направленным и повышает его эффективность. При оценке полноты тестов используется кратная стратегия наблюдения сигналов.

Разработан аппарат генетического программирования для прогнозирования синдрома внезапной смерти грудных детей (СВСГД). Предложен метод получения продукционных правил для прогнозирования высокой степени риска СВСГД в условиях неопределенности некоторых параметров. Проведены исследования и приведены результаты использования методов на реальных медицинских данных.

Развит аналитический подход к построению проверяющих тестов для схем с памятью на основе метода различающих функций. Используется символьное моделирование и кратная стратегия наблюдения выходных сигналов, которая позволяет повысить полноту проверяющих тестов. Рассмотрены две формы различающих функций - дизъюнктивная и конъюнктивная. Дизъюнктивная форма выделяет различимые пары состояний исправной и неисправной схемы и позволяет свести задачу генерации теста к проверке тавтологии различающей функции. Конъюнктивная форма выделяет неразличимые пары состояний и сводит задачу генерации тестов к проверке выполнимости булевых функций (SAT).