Специализация и результаты отдела ИТИМ

Исследовательская стратегия отдела ИТИМ охватывает полный жизненный цикл научного поиска в области индуктивного моделирования:

• методология моделирования по выборкам данных;
• теория индуктивного построения моделей оптимальной сложности;
• алгоритмизация высокопродуктивных средств индуктивного моделирования;
• интеллектуализация средств и технологий построения моделей;
• компьютерные эксперименты для оценивания эффективности разработанных алгоритмов и средств;
• решение реальных задач моделирования и прогнозирования;
• апробация и прикладное внедрение разработанных инструментальных средств в системах мониторинга, управления и поддержки принятия решений.

Начиная со времени создания отдела в 1998 году, разработаны:

• теория индуктивного моделирования на основе МГУА с применением метода критических дисперсий [1], позволившая объяснить природу эффективности МГУА как метода построения помехоустойчивых моделей с минимальной дисперсией ошибки прогнозирования, а также решить задачу оптимизации разбиения выборки данных на две части [2];
• двухкритериальный метод доопределения выбора модели с использованием критерия несмещенности ошибок [3], который позволяет устранить неоднозначность выбора оптимальной модели;
• принципы конструирования и реализации высокоэффективных переборных алгоритмов МГУА на основе рекуррентных вычислений [4], процедур распараллеливания операций [5] и последовательной селекции информативных переменных [6], что позволяет повысить размерность решаемых задач;
• принципы конструирования гибридных архитектур итерационных алгоритмов МГУА как обобщение алгоритмических структур многорядных, релаксационных и комбинаторных типов, на основе чего разработан обобщенный итерационный алгоритм ОИА МГУА [7], как нейросеть с активными нейронами в виде алгоритма COMBI для автоматического определения сложности нейрона;
• обобщенный релаксационный итерационный алгоритм ОРИА МГУА, базирующийся на использовании быстродействующих рекуррентных вычислений и матриц нормальных уравнений, что позволяет решать задачи индуктивного моделирования сверхбольшой размерности [2];
• теоретические основы принципиально нового класса переборных и итерационных алгоритмов МГУА с применением рекуррентно-параллельных вычислений на кластерных системах [8] как основу высокоэффективных интеллектуальных технологий индуктивного моделирования;
• принципы конструирования технологий интеллектуального моделирования сложных систем на основе использования баз знаний, средств индуктивного анализа данных и интеллектуального интерфейса пользователя [9]. Такие технологии должны иметь три основных инструментальных уровня: автономное моделирование по имеющейся базе данных; встроенное моделирование в составе системы управления в реальном времени; комплексное моделирование сложной системы для выявления оптимальных режимов ее работы и критических сценариев;
• теоретические принципы и инструментальные средства прогнозирования взаимосвязанных социально-экономических процессов по статистическим данным в классе дискретных динамических моделей векторной авторегрессии [10];
• принципы гибридизации переборных алгоритмов МГУА и генетических алгоритмов, на основе чего разработан поисковый алгоритм COMBI-GA [11].

1. Методология АСТРИД конструирования компьютерных технологий на основе МГУА для построения моделей сложных систем по статистическим данным с целью выявления закономерностей, идентификации, прогнозирования для задач информационной поддержки принятия решений.
2. Комплекс инструментальных средств [4] для конструирования, исследования и применения методов моделирования, проведения экспериментов по компьютерному тестированию методов моделирования и их компонентов (классов моделей, генераторов структур моделей, методов оценивания параметров и критериев селекции моделей).
3. Кроссплатформенный программный комплекс с развитым интерфейсом [12] на языке программирования Java для индуктивного моделирования и прогнозирования сложных объектов и процессов большой размерности на основе быстродействующего алгоритма МГУА с последовательной селекцией информативных и/или отсеиванием неинформативных аргументов [6].
4. Программный комплекс АСТРИД-ОИА [13] для индуктивного моделирования сложных систем на основе разных итерационных алгоритмов МГУА позволяет использовать обобщенный алгоритм ОИА МГУА и все его частные случаи [7] в режиме онлайн доступа с помощью Интернет или в локальной сети.
5. Компьютерная система АСПИС [14] для построения прогнозирующих моделей на основе быстродействующего обобщенного релаксационного итерационного алгоритма ОРИА МГУА [2], реализованная на языке программирования С++, позволяет решать задачи большой размерности.
6. Система информационной поддержки управленческих решений СИПУР позволяет решать задачи оценивания, анализа и прогнозирования состояния сложных систем взаимосвязанных социально-экономических процессов с целью принятия обоснованных и эффективных решений [15].

Решены задачи моделирования таких процессов:

• динамика численности микроорганизмов в почве в зависимости от факторов окружающей среды и дозы загрязнения тяжелыми металлами [16];
• динамика изменения взаимозависимых показателей инвестиционной и энергетической сфер в классе моделей векторной авторегрессии для краткосрочного прогноза [4], [10];
• зависимость коэффициента распыления (разрушения) поверхности космического аппарата под действием струй ионизированных газов в зависимости от физических свойств материалов покрытия поверхности [4];
• исследование экологических последствий полива деревьев очищенными сточными водами [17];
• количественное оценивание влияния загрязнений морской воды битумоидными веществами на общее число видов донных организмов в бухтах города Севастополя [18];
• прогнозирование результатов тестирования образцов крови медицинскими препаратами с целью определения наиболее эффективных для лечения конкретного пациента [2];
• построение классификаторов для дифференциальной диагностики заболеваний крови с целью снижения рисков постановки ошибочного диагноза [2];
• повышение релевантности поиска текстовой информации с помощью алгоритма ОИА МГУА [19].

[1] Степашко В.С. Метод критических дисперсий как аналитический аппарат теории индуктивного моделирования // Проблемы управления и информатики. – 2008. – № 2. – С. 8-26.

[2] Павлов А.В., Степашко В.С., Кондрашова Н.В. Эффективные методы самоорганизации моделей. – К.: Академпериодика, 2014. – 200 с.

[3] Ивахненко А.Г., Савченко Е.А. Исследование эффективности метода доопределения выбора модели в задачах моделирования с применением МГУА // Проблемы управления и информатики. – 2008. – № 2. – C. 65-76.

[4] Степашко В.С., Єфіменко C.М., Савченко Є.А. Комп’ютерний експеримент в індуктивному моделюванні. – Київ: Наукова думка, 2014. – 222 с.

[5] Stepashko V., Yefimenko S. Parallel algorithms for solving combinatorial macromodelling problems // Przegląd Elektrotechniczny (Electrical Review), ISSN 0033-2097, R. 85, NR 4, 2009. – P 98-99.

[6] Samoilenko O., Stepashko V. A method of Successive Elimination of Spurious Arguments for Effective Solution of the Search-Based Modelling Tasks // Proc. of the II Int. Conf. on Inductive Modelling, Sept. 15-19, 2008, Kyiv, Ukraine. – IRTC ITS NASU, Kyiv, 2008. – P. 36-39.

[7] Stepashko V., Bulgakova O. Generalized Iterative Algorithm GIA GMDH // Proc. of the 4th Int. Conf. on Inductive Modelling ICIM-2013, Sept. 16-20, 2013, Kyiv, Ukraine. – Kyiv: IRTC ITS NASU, 2013. – P. 119-123.

[8] Yefimenko S., Stepashko V. Intelligent Recurrent-and-Parallel Computing for Solving Inductive Modeling Problems // Proc. of 16th Int. Conf. on Computational Problems of Electrical Engineering CPEE’2015, Lviv, Ukraine, September 2-5, 2015. – Lviv: LNPU, 2015. – P. 236-238.

[9] Степашко В.С. Концептуальные основы интеллектуального моделирования // УСиМ. – 2016. – № 4. – С. 3-15.

[10] Ефименко С.Н. Построение систем прогнозных моделей многомерных взаимосвязанных процессов // УСиМ. – 2016. – № 4. – С. 80-86.

[11] Stepashko V., Moroz O. Hybrid Searching GMDH-GA Algorithm for Solving Inductive Modeling Tasks // Proc. of the 1st IEEE International Conference on Data Stream Mining & Processing, 23-27 August 2016, Lviv, Ukraine. – P. 350-355.

[12] Самойленко О.А. Проектування перебірних алгоритмів МГУА як основних компонентів підсистеми моделювання // Індуктивне моделювання складних систем. – Вип. 3. – К.: МННЦ ІТС НАНУ, 2011. – С. 191-208.

[13] Булгакова О.С., Зосімов В.В., Степашко В.С. Програмний комплекс моделювання складних систем на основі ітераційних алгоритмів МГУА з можливістю мережевого доступу // Системні дослідження та інформаційні технології. – 2014. – № 1. – С. 43-55.

[14] Павлов А.В. Проектирование системы автоматизированной структурно-параметрической идентификации // Індуктивне моделювання складних систем. – Вип. 7. – К.: МННЦ ІТС НАНУ, 2015. – С. 202-219.

[15] Stepashko V., Samoilenko O., Voloschuk R. Informational Support of Managerial Decisions as a New Kind of Business Intelligence Systems. – Computational Models for Business and Engineering Domains / G.Setlak, K.Markov (Eds.). – Rzeszow, Poland; Sofia, Bulgaria: ITHEA, 2014. – Р. 269-279.

[16] Іутинська Г.О., Коппа Ю.В., Степашко В.С. Моделювання динаміки чисельності мікроорганізмів у ґрунті, забрудненому важкими металами // Мікробіологічний журнал. – 2002. – Т. 64. – № 3. – С. 59-67.

[17] Kalavrouziotis I.K., Vissikirsky V.A., Stepashko V.S., Koukoulakis P.H. Application of qualitative analysis techniques to the environmental modeling of plant species cultivation. – Global NEST Journal. – 2010. – Vol. 12. – No 2. – P 161-174.

[18]Альомов С.В., Булгакова О.С., Степашко В.С. Моделювання впливу забруднення Чорного моря на загальне число видів донних організмів / Зб. наук. праць СНУЯЕтаП. – Вип. 3 (39). – 2011. – С. 54-62.

[19] Zosimov V., Stepashko V., Bulgakova O. Inductive building of search results ranking models to enhance the relevance of the text information retrieval // Proc. of the 26th Intern. Workshop “Database and Expert Systems Applications”, 1-4 Sept., Valencia, Spain / Ed. by Markus Spies at al. – Los Alamitos: IEEE Computer Society, 2015. – P. 291-295.