Control Systems and Computers, N6, 2016, Article 9

Upr. sist. maš., 2016, Issue 6 (266), pp. 73-79.

UDC 681.5.015

Moroz Olha G., junior research scientist, Departament for Technologies of Inductive Modelling, International Research and Training Center for Information Technologies and Systems of the NAS and MES of Ukraine, Glushkov ave., 40, Kyiv, 03187, Ukraine, Moroz.@ukr.net

Sorting-Out the GMDH Algorithm with the Genetic Search of Optimal Model

Introduction. Combinatorial GMDH algorithm (COMBI) is an effective means to solve the problems of structureparametric identification, forecasting, building models of objects and processes from experimental data under uncertain conditions.
But this algorithm is practically successful in solving such problems when the number of input variables (arguments) is less than 30 because of using exhaustive search of models with different structures from a given basic class of functions.
Partly this problem of exponential growth of the algorithm complexity is solved by some algorithms with directed models
search but they have their own limitations.

Purpose. The latest results concerning a sorting-out COMBI-GA hybrid algorithm with genetic search of optimal model
as an alternative to known algorithms based on the determinate search procedures is summarized.

Methods. The genetic-based algorithm uses the genetic operators to find an optimal model and reduce the exhaustive search of the combinatorial algorithm.

Results. The effectiveness of four genetic operators is compared in COMBI-GA hybrid algorithm for solving test and real-world inductive modeling problems of diverse dimension.

Conclusion. Using GA is effective way to search for optimal model in sorting-out GMDH algorithms for quick solving inductive modelling tasks with large numbers of input variables (much more than 30).

Download full text! (In Ukrainian and Russian)

Keywords: combinatorial GMDH algorithm (COMBI), genetic algorithm, hybrid GMDH-GA algorithm.

1. Степашко В.С. Комбинаторная программа для
структурной идентификации объектов и процессов
управления / Под ред. А.Г. Ивахненко. – Киев:
Техніка, 1980. – С.80–86.
2. Степашко В.С. Комбинаторный алгоритм МГУА с
оптимальной схемой перебора моделей // Автома-
тика. – 1981. – № 3. – С. 31–36.
3. Ивахненко Г.А. Применение прогнозирующих ал-
горитмов МГУА для решения маркетинговых за-
дач // Проблемы управления и информатики. –
2008. – № 2. – С. 149–152.
4. Chaudhuri R.A. Combinatorial GMDH Approach to
Identification, Modelling and Prediction of Money
Market State Variables // Int. Conf. on Technology and
Business Management, 2012. – P. 208–221.
5. Kondyrina A., Savchenko E., Direktorenko O. Forecasting
of Ukraine Human Development Index by Сombinatorial
GMDH Algorithm // The 4th Int. Workshop on
Inductive Modelling IWIM, 2011. – P. 46–50.
6. Samoilenko O. Combinatorial GMDH Algorithm Application
to Predict the Dynamic of Demographic
Characteristics in Ukraine // 4th Int. Conf. in Inductive
Modelling, ICIM’ 2013. – P. 312–314.
7. Савченко Е.А. Экспресс–прогноз уровня глюкозы в
7крови по комбинаторному алгоритму МГУА //
УСиM. – 2003. – № 2. – C. 107–112.
8. Обнаружение закономерностей взаимодействия ио-
нов с поверхностью по комбинаторному алгоритму
МГУА / А.Г. Ивахненко, Е.А. Савченко, Г.А. Ивах-
ненко и др. // Проблемы управления и информати-
ки. – 2003. – № 2. – C. 80–89.
9. Степашко В.С. Конечная селекционная процедура
сокращения полного перебора моделей // Автома-
тика. – 1983. – № 4. – С. 84–88.
10. Самойленко О.А., Степашко В.С. Аналіз ефектив-
ності застосування частотного критерію в алгори-
тмі послідовного відсіювання неінформативних ар-
гументів // Індуктивне моделювання складних сис-
тем: Зб. наук. праць. – К.: МННЦІТ та С НАНУ,
2012. – C. 191–209.
11. Єфіменко C.М. Комбінаторний алгоритм МГУА з
послідовним ускладненням структур моделей на
основі рекурентно-паралельних обчислень // Індук-
тивне моделювання складних систем: Зб. наук. праць.
– К.: МННЦІТ та С НАНУ – 2014. – 6. – C. 81–89.
12. Stepashko V., Moroz O. Hybrid Searching GMDH-GA
Algorithm for Solving Inductive Modeling Tasks //
The 1th IEEE Int. Conf. on Data Stream Mining &
Processing. – Lviv, Ukraine, 23–27 Aug., 2016. – Lviv
Polytech. Nat. Univ., 2016 – C. 350–355.
13. Ивахненко А.Г., Степашко В.С. Помехоустойчивость
моделирования. – Киев: Наук. думка, 1985. – 216 с.
14. Себер Дж. Линейный регрессионный анализ. – М.:
Мир, 1980. – 456 с.

15. Hollannd J.H. Adaptation in natural and artificial systems.
An introductory analysis with application to biology,
control, and artificial intelligence. – Univ. of
Michigan, 1975. – 210 р.
16. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генети-
ческие алгоритмы. – М.: ФИЗМАТЛИТ, 2006. – 320 c.
17. Kaya Y., Uyar M., Tekin R. A Novel Crossover Operator
for Genetic Algorithms: Ring Crossover. Presented
at CoRR, 2011.
18. Глибовець М., М. Гулаєва Н.М. Еволюційні алгори-
тми: Підручник. – К.: НаУКМА, 2013. – 828 c.
19. Мороз О.Г. Ефективність операторів мутації в задачі
генетичного пошуку оптимальних моделей в перебірному алгоритмі МГУА // Матеріали VIII Українсь-
ко-польської наук.-практ. конф. «Електроніка та ін-
формаційні технології» (ЕлІТ-2016), Львів–Чинаді-
єво, 27–30 серп. 2016 р. – Львів: Вид. центр ЛНУ ім.
Ів. Франка, 2016. – C. 331–332.
21. http://archive.ics.uci.edu/ml/
22. https://archive.ics.uci.edu/ml/datasets/SkillCraft1+Master
+Table+Dataset

 Received 23.11.2016