Návrh a optimalizace filtru OTA-C s využitím heuristických algoritmů ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Katedra teorie obvodů.

Prezentace na téma: "Návrh a optimalizace filtru OTA-C s využitím heuristických algoritmů ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Katedra teorie obvodů."— Transkript prezentace:

1 Návrh a optimalizace filtru OTA-C s využitím heuristických algoritmů ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Katedra teorie obvodů Dalibor Barri Dalibor Barri

2 2 Program prezentace >Vlastnosti heuristických algoritmů >Princip genetických & evolučních algoritmů >Prozatímní výsledky >Cíle do budoucna >Použitá literatura

3 3 Vlastnosti heuristických algoritmů >Užití: nalezení extrému analyzované funkce >Základní vlastnosti: iterační metody gradientní prohledávající >genetický alg. >evoluční alg. >simplexní metoda

4 4 Vlastnosti heuristických algoritmů >Studované algoritmy: genetický algoritmus evoluční algoritmus >Základní funkční bloky a charakteristiky: křížení (CR, crossover factor) mutace (F, mutation amplification) selekce velikost populace (NP, number of population)

5 náhodně vygenerovaná matice Genetický algoritmus binární reprezentace parametru jedince současná populace ohodnocení jedince váhovací ruleta 1) selekce pomocná populace po reprodukci 2) křížení pomocná populace po křížení 3) mutace nová populace do další generace

6 náhodně vygenerovaná maticeEvolučníalgoritmus 1) výběr zkoumaného jedince 2) náhodný výběr dvou členů populace reprezentant parametrů jedince současná populace ohodnocení jedince 3) váhování rozdílu jedinců 4) mutace 5) křížení pokusný jedinec 6) selekce např. Ao > Io nová populace do další generace

7 7 Shrnutí vlastností algoritmů Genetický algoritmus - limitovaná přesnost výsledku - nutné definování okrajových podmínek - složitější naprogramování Evoluční algoritmus + vysoká přesnost výsledku + bez definování okrajových pod. + jednodušší naprogramování

8 8 Dosažení prozatímních výsledků >Filtr typu dolní propust, n = 4, a p = 3 dB, Ω s = 2 s -1 Optimalizace po 203. generaci (F = 0.8, CR = 0.8, NP = 15)

9 9 Cíle do budoucna Rozšíření algoritmu: 1. Zvýšení časové efektivnosti – kombinace stochastických algoritmů (užití simplexní metody) – určování kvality hodnotící funkce z alternativních parametrů 2. Rozšíření optimalizovaných filtrů OTA-C až do 6. řádu

10 10 Použitá literatura [1] Lampinen, J. Zelinka, I. On Stagnation of the Differential Evolution Algorithm 9 s. [2] Storn, R. Price, K. I. Differential Evolution – A Simple and Efficient Adaptive Scheme for Global Optimization Over Continuous Spaces, 1995, 12 s., TR-95-012 [3] Price, K. I. An Introduction to Differential Evolution 29 s.

11 11 Děkuji za pozornost ! Dalibor Barri barrid1@feld.cvut.cz