Спеціалізація та результати відділу ІТІМ

Дослідницька стратегія відділу ІТІМ охоплює повний життєвий цикл наукового пошуку в галузі індуктивного моделювання:

• методологія моделювання за вибірками даних;
• теорія індуктивної побудови моделей оптимальної складності;
• алгоритмізація високопродуктивних засобів моделювання;
• інтелектуалізація засобів і технологій побудови моделей;
• комп'ютерні експерименти для оцінювання ефективності розроблених алгоритмів і засобів;
• розв’язування реальних задач моделювання і прогнозування;
• апробація і прикладне впровадження розроблених інструментальних засобів у системах моніторингу, управління і підтримки прийняття рішень.

Починаючи з часу створення відділу у 1998 році, розроблені:

• теорія індуктивного моделювання на основі МГУА з використанням методу критичних дисперсій [1], яка дозволила пояснити природу ефективності МГУА як методу побудови завадостійких моделей з мінімальною дисперсією помилки прогнозування, а також розв’язати задачу оптимізації розбиття вибірки даних на дві частини [2];
• двокритеріальний метод довизначення вибору моделі з використанням критерію незміщеності помилок [3], який дозволяє усунути неоднозначність вибору оптимальної моделі;
• принципи конструювання і реалізації високоефективних перебірних алгоритмів МГУА на основі рекурентних обчислень [4], процедур розпаралелювання операцій [5] та послідовної селекції інформативних змінних [6], що дозволяє підвищити розмірність розв’язуваних задач;
• принципи конструювання гібридних архітектур ітераційних алгоритмів МГУА як узагальнення алгоритмічних структур багаторядних, релаксаційних та комбінаторних типів, на основі чого розроблено узагальнений ітераційний алгоритм УІА МГУА [7] як нейромережу з активними нейронами у вигляді алгоритму COMBI для автоматичного визначення складності нейрона;
• узагальнений релаксаційний ітераційний алгоритм УРІА МГУА, який базується на використанні швидкодіючих рекурентних обчислень і матриць нормальних рівнянь, що дозволяє розв’язувати задачі індуктивного моделювання надвеликої розмірності [2];
• теоретичні основи принципово нового класу перебірних та ітераційних алгоритмів МГУА із застосуванням рекурентно-паралельних обчислень на кластерних системах [8] як основу високоефективних інтелектуальних технологій індуктивного моделювання;
• принципи конструювання технологій інтелектуального моделювання складних систем на основі використання баз знань, засобів індуктивного аналізу даних та інтелектуального інтерфейсу користувача [9]. Такі технології повинні мати три основні інструментальні рівні: автономне моделювання за наявною базою даних; вбудоване моделювання у складі системи управління в реальному часі; комплексне моделювання складної системи для виявлення оптимальних режимів її роботи та критичних сценаріїв;
• теоретичні принципи та інструментальні засоби прогнозування взаємозв'язаних соціально-економічних процесів за статистичними даними в класі дискретних динамічних моделей векторної авторегресії [10];
• принципи гібридизації перебірних алгоритмів МГУА та генетичних алгоритмів, на основі чого розроблено пошуковий алгоритм COMBI-GA [11].

1. Методологія АСТРІД конструювання комп'ютерних технологій на основі МГУА для побудови моделей складних систем за статистичними даними з метою виявлення закономірностей, ідентифікації, прогнозування для задач інформаційної підтримки прийняття рішень.
2. Комплекс інструментальних засобів [4] для конструювання, дослідження і застосування методів моделювання, проведення експериментів з комп'ютерного тестування методів моделювання та їх компонентів (класів моделей, генераторів структур моделей, методів оцінювання параметрів та критеріїв селекції моделей).
3. Кросплатформний програмний комплекс з розвиненим інтерфейсом [12] на мові програмування Java для індуктивного моделювання і прогнозування складних об'єктів і процесів великої розмірності на основі швидкодіючого алгоритму МГУА з послідовною селекцією інформативних та/або відсіюванням неінформативних аргументів [6].
4. Програмний комплекс АСТРІД-УІА [13] для індуктивного моделювання складних систем на основі різних ітераційних алгоритмів МГУА, який дозволяє використовувати узагальнений алгоритм УІА МГУА та всі його окремі випадки [7] в режимі доступу онлайн як за допомогою Інтернет, так і в локальній мережі.
5. Комп'ютерна система АСПІС [14] для побудови прогнозних моделей на основі швидкодіючого узагальненого релаксаційного ітераційного алгоритму УРІА МГУА [2], реалізована мовою програмування С++, дозволяє розв’язувати задачі великої розмірності.
6. Система інформаційної підтримки управлінських рішень СІПУР дозволяє розв’язувати задачі оцінювання, аналізу і прогнозування стану складних систем взаємозв'язаних соціально-економічних процесів з метою прийняття обґрунтованих і ефективних рішень [15].

Розв’язано задачі моделювання таких процесів:

• динаміка чисельності мікроорганізмів у ґрунті залежно від чинників навколишнього середовища і дози забруднення важкими металами [16];
• динаміка зміни взаємозалежних показників енергетичної та інвестиційної сфер у класі моделей векторної авторегресії для короткострокового прогнозу [4], [10];
• залежність коефіцієнта розпилювання (руйнування) поверхні космічного апарату під дією струменів іонізованих газів залежно від фізичних властивостей матеріалів покриття поверхні [4];
• дослідження екологічних наслідків поливу дерев очищеними стічними водами [17];
• кількісне оцінювання впливу забруднень морської води бітумоїдними речовинами на загальне число видів донних організмів в бухтах міста Севастополя [18];
• прогнозування результатів тестування зразків крові медичними препаратами з метою визначення найбільш ефективних для лікування конкретного пацієнта [2];
• побудова класифікаторів для диференціальної діагностики захворювань крові з метою зниження ризиків постановки помилкового діагнозу [2];
• підвищення релевантності пошуку текстової інформації за допомогою алгоритму УІА 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 // Proceedings 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.