Genetik Algoritma İle Baskı Devre Yerleşim Optimizasyonu

Öz

Sayısal optimizasyon yöntemlerinden olan genetik algoritmalar, geleneksel yöntemlerle, çözümü zor veya neredeyse imkansız olan problemlerin çözümü için kullanılan ve kısa zamanda kabul edilebilir sonuçlar veren tekniklerden biridir. Elektronik cihaz tasarımında; cihazın kapladığı alan, elektronik devre elemanlarının çalışma esnasında birbirlerini etkilemesi, elemanların aşırı ısınması, devrelerin ağırlığı, devre yoğunluğu, maliyeti vb. üzerinde çalışılan konulardır. Bu çalışmada; elektronik cihazlarda karşılaşılan üretim kaynaklı sorunlardan biri olan elektronik devre elemanlarının yerleşiminin optimizasyonu için genetik algoritma kullanılmıştır. Elektronik devre kartları (baskı devre) üzerindeki eleman yerleşimleri, devredeki eleman sayısına ve elemanların özelliklerine göre farklılık göstermektedir. Yapılan çalışmada devre elemanı yerleşim işlemi; elemanların sıcaklık değerleri, boyut ve bacak sayılarına göre optimize edilerek gerçekleştirilmiştir. Optimize işlemi için genetik algoritma kullanılmıştır. Genetik algoritmanın uygunluk fonksiyonu, elektronik devre kartı (baskı devre) üzerindeki devre elemanlarının yerleşimi sonrasında kartın boyutları en az alanı kapsayacak biçimde oluşturulmuştur. Elde edilen sonuçlar incelendiğinde, önerilen baskı devre boyutlarının daha önceden bilinen programların önerdiği devre boyutlarına göre küçüldüğü görülmüştür. 

Anahtar Kelimeler

• Baskı Devre,Genetik Algoritma,Optimizasyon,Yapay Zeka

Kaynakça

1. [1] Khoo, L. P., Ng, T. K., 1998. A Genetic Algorithm-Based Planning System for PCB Component Placement. Inter National Journal of Production Economics, 54, 321-332.
2. [2] Hardas, S. C., Doolen, T. L., Jensen, D. 2008. Development of a Genetic Algorithm For Component Placement Sequence Optimization In Printed Circuit Board Assembly. Computers and Engineering System, 55, 165-182.
3. [3] Ismail, S.F., Yusof, R., Khalid, M., 2012. Optimization of Electronics Component Placement Design On PCB Using Self Organizing Genetic Algorithm (SOGA). Intel Manuf, 23, 883-895.
4. [4] Coury, D. V., Silva, R. P. M.,Delhem A. C. M., Casseb M. V. G., 2014. Programmable logic design of a compact Genetic Algorithm for phasorestimation in real-time. Electrical Power System Research, 107:109-118
5. [5] Garcia-Najera, A., Brizuela, C. A., Martinez-Perez, I, M., 2015. An Efficient Genetic Algorithm For Setup Time Minimization in PCB assembly. Int J Adv Manuf Technol, 77:973-989
6. [6] Lin, H.Y., Lin, C.J., Huang, M.L., 2016. Optimization Of Printed Circuit Board Component Placement Using An Efficient Hybrid Genetic Algorithm. Appl Intell, 45:622-637 DOI:10.1007/s10489-016-0775-1
7. [7] D. Goldberg, Genetic Algorithms in Optimization, Search and Machine Learning, Addison Wesley, 1989.
8. [8] S. Rahmani, S.M. Mousavi, M.J. Kamali, 2011. Modeling of road-traffic noise with the use of genetic algorithm. Applied Soft Computing, 11, 1008–1013.

9. [9] Gonzales, E. L., Fernandez, M.A.R.,2000. Genetic Optimisator of a Fuzzy Distribution Model. Inter National Journal of Physical Distribution and Logistics Management, 30(7/8), 681 - 696.