Control Systems and Computers, N2, 2017, Article 6

Upr. sist. maš., 2017, Issue 2 (268), pp. 58-73.

UDC 621.513.8

Stepashko Volodymyr S. , Doctor of Eng. Sciences, Head of the department, International Research and Training Center for Information Technologies and Systems NAS and MES of Ukraine, Glushkov ave., 40, Kyiv, 03187, Ukraine, E-mail: stepashko@irtc.org.ua

The Achievements and Prospects of Inductive Modeling

Introduction. Inductive modelling as the scientific school was formed by academician Alexey Ivakhnenko and is still actively being developed. The worldwide known Group method of data handling (GMDH) as a means of self-organizing models keeps the central place in this studying. The concept “inductive modelling” can be defined as a self-organizing process of evolutionary transition from primary data to mathematical models reflecting patterns of the simulated systems functioning, implicitly contained in the available experimental or statistical data.

Purpose. The typical problems solved by means of inductive modelling are described, information on this scientific school in Ukraine and abroad is presented, the fundamental basic and the technological achievements are defined, the most promising ways of further research are formulated.

Methods. The goal of this article is being achieved by presenting a comprehensive survey of the main publications in this area and structuring the material in accordance with the historical, fundamental, technological and applied aspects of the inductive modelling.

Results. As a result of the references survey in the field of inductive modelling, it can be stated that the GMDH is a promising basis of modern information technology for discovering knowledge from data, or one of original and efficient methods of data mining.

Conclusion. The further development of the model assumes the improvement of the theory of inductive modelling, the development and implementation of new high-performance algorithms in up-to-date computer technologies and the application of these technologies to solve a wide range of real-life problems of modelling, forecasting, control and decision-making in systems of different fields – economic, ecological, technological and others.

Keywords: Inductive modeling, GMDH, self-organization, structural-parametric identification, data mining, decision-making.

Download full text!

  1. ІвахненкоО.Г. Метод групового урахування аргументів – конкурент методу стохастичної апроксимації // Автоматика. – 1968. – № 3. – С. 58–72.
  2. ИвахненкоА.Г. Системы эвристической самоорганизации в технической кибернетике. – Киев: Техніка, 1971. – 392 с.
  3. ИвахненкоА.Г. Долгосрочное прогнозирование и управление сложными системами. – Там же, 1975. – 311 с.
  4. ИвахненкоА.Г. Индуктивный метод самоорганизации моделей сложных систем. – Киев: Наук. думка, 1982. – 296 с.
  5. ИвахненкоА.Г., Пека Ю.П., Востров Н.П. Комбинированный метод моделирования водных и нефтяных полей. – Там же, 1984. – 185 с.
  6. ИвахненкоА.Г., Мюллер Й.А. Самоорганизация прогнозирующих моделей. – Киев: Техніка, 1985. – 223 с.
  7. Ivachnenko A.G., Müller J.A. Selbstorganisation von Vorhersagemodellen. – Berlin: VEB Verlag Technik, 1984. – 223 c.
  8. Selforganizing methods in modeling: GMDH type algorithms / Ed. S.J. Farlow. – New York, Basel: Marcel Decker Inc., 1984. – 350 p.
  9. ИвахненкоА.Г., Карпинский А.М. Самоорганизация моделей на ЭВМ в терминах общей теории связи (теории информации) // Автоматика. – 1982. – № 4. – С. 7–26.
  10. ИвахненкоА.Г., Степашко В.С. Помехоустойчивость моделирования. – Киев: Наук. думка, 1985. – 216 с.
  11. ИвахненкоА.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. – М.: Радио и связь, 1987. – 120 с.
  12. Madala H.R., Ivakhnenko A.G. Inductive learning algorithms for complex systems modeling. – New York: Boca Raton, CRC Press, 1994. – 384 p.
  13. Ивахненко А.Г., Костенко Ю.В., Голеусов И.В. Системный анализ и долгосрочное количественное про­гнозирование квазистатических систем на основе самоорганизации моделей. Ч. 2. Объективный системный анализ без априорного указания внешних воздействий // Автоматика. – 1983. – № 3. – С. 3–11.
  14. Ивахненко А.Г. Объективная компьютерная кластеризация на основе теории самоорганизации моделей // Там же. – 1987. – № 5. – С. 1–9.
  15. Ивахненко А.Г., Кротов Г.И., Строкова Т.И. Самоорганизация безразмерных гармонико-экспоненциальных и корреляционных прогнозирующих моделей стандартной структуры // Там же. – 1984. – № 4. – С. 18–29.
  16. Ivakhnenko A.G. Inductive Sorting Method for the Forecasting of Multidimensional Random Processes and Events with the Help of Analogs Forecast Complexing // Pattern Recognition and Image Analysis. – 1991. – 1, N 1. – Р. 99–108.
  17. Kondo T. GMDH Neural Network Algorithm Using the Heuristic Self-Organization Method and its Application to the Pattern Identification Problem // Proc. of the 37th SICE Annual Conf. – SICE’98. – Tokyo: IEEE, 1998. – P. 1143–1148.
  18. Ivakhnenko A.G., Ivakhnenko G.A., Mueller J.A. Self-Organization of Neuronets with Active Neurons // Pattern Recognition and Image Analysis. – 1994. – 4, N 4. – Р. 177–188.
  19. Muller J.-A., Lemke F. Self-Organizing Data Mining. An Intelligent Approach to Extract Knowledge from Data. – Berlin, Dresden, 1999. – 225 p.
  20. Степашко В.С. Потенциальная помехоустойчивость моделирования по комбинаторному алгоритму МГУА без использования информации о помехах // Автоматика. – 1983. – № 3. – С. 18–27.
  21. Кочерга Ю.Л. J-оптимальная редукция структуры модели в схеме Гаусса–Маркова // Автоматика. – 1988. – № 4. – С. 34–36.
  22. Аксенова Т.И., Юрачковский Ю.П. Характеризация J-оптимальной модели в задаче моделирования по выборкам наблюдений // Там же. – № 4. – С. 37–43.
  23. Степашко В.С. Асимптотические свойства внешних критериев селекции моделей // Там же. – № 6. – С. 75–82.
  24. Дышин О.А. Асимптотические свойства помехоустойчивости критериев точности моделей // Там же. – 1989. – № 5. – C. 53–56.
  25. Аксенова Т.И. Достаточные условия сходимости внешних критериев выбора моделей // Там же. – C. 53–56.
  26. Сарычев А.П. Системный критерий регулярности в методе группового учета аргументов // Проблемы управления и информатики. – 2006. – № 6. – С. 25–37.
  27. Сарычев А.П. Идентификация состояний структурно-неопределенных систем. – Днепропетровск: Ин-т техн. механики НАНУ и НКАУ, 2008. – 268 с.
  28. Степашко В.С. Исследование прогнозирующих свойств рекуррентного структурно-параметриче­ского идентификатора // Автоматика. – 1991. – № 3. – С. 33–41.
  29. Степашко В.С. Структурная идентификация прогнозирующих моделей в условиях планируемого эксперимента // Там же. – 1992. – № 1. – С. 26–35.
  30. Степашко В.С. Анализ эффективности критериев структурной идентификации прогнозирующих моделей // Проблемы управления и информатики. – 1994. – № 3–4. – С. 13–21.
  31. Степашко В.С. Метод критических дисперсий как аналитический аппарат теории индуктивного моделирования // Там же. – 2008. – № 2. – С. 8–26.
  32. Степашко В.С. Комбинаторный алгоритм МГУА с оптимальной схемой перебора моделей // Автоматика. – 1981. – № 3. – С. 31–36.
  33. Степашко В.С. Конечная селекционная процедура сокращения полного перебора моделей // Автоматика. – 1983. – № 4. – С. 84–88.
  34. Степашко В.С., Єфіменко C.М., Савченко Є.А. Комп’ютерний експеримент в індуктивному моделюванні. – К.: Наук. думка, 2014. – 222 с.
  35. Мороз О.Г., Степашко В.С. Порівняльний аналіз генераторів структур моделей у перебірних алгоритмах МГУА // Індуктивне моделювання складних систем. – 8.– К.: МННЦ ІТтаС НАНУ, 2016. – С. 133–148.
  36. Павлов А.В., Степашко В.С., Кондрашова Н.В. Эффективные методы самоорганизации моделей. – К.: Академпериодика, 2014. – 200 с.
  37. Степашко В.С., Булгакова О.С. Обобщенный итерационный алгоритм метода группового учета аргументов // УСиМ. – 2013. – № 2. – С. 5–17.
  38. KondoT., Ueno J. Feedback GMDH-Type Neural Network Self-Selecting Optimum Neural Network Architecture and Its Application to 3-Dimensional Medical Image Recognition of the Lungs / Proc. of the II Int. Workshop on Inductive Modelling IWIM–2007, 19–23 Sept. 2007. – Prague: Czech Techn. Univ., 2007. – P. 63–70. – ISBN 978-80-01-03881-9.
  39. KordikP. Fully automated knowledge extraction using group of adaptive model evolution: Ph.D. thesis. / Electrical Engineering and Inform. Techn. – Prague: CTU, 2006. – 150 р.
  40. Hybrid Particle Swarm Optimization and Group Method of Data Handling for Inductive Modeling / G. Onwubolu, A. Sharma, A. Dayal et al. // Proc. of 2nd Int. Conf. on Inductive Modelling (IСIM’2008). – Kyiv: IRTC ITS NASU, 2008. – P.95–103.
  41. BodyanskiyYe., Zaychenko Yu., Pavlikovskaya Ye. The Neo-Fuzzy Neural Network Structure Optimization Using the GMDH for the Solving Forecasting and Classification Problems / Proc. of the 3rd Int. Workshop on Inductive Modelling IWIM–2009, 14–19 Sept. 2009, Krynica, Poland. – Prague: Czech Techn. Univ., 2009. – P. 100–107.
  42. LytvynenkoV. Hybrid GMDH Cooperative Immune Network For Time Series Forecasting // Proc. of the 4th Int. Conf. on Inductive Modelling ICIM–2013, Sept. 16–20, 2013, Kyiv. – Kyiv: IRTC ITS NASU, 2013. – P. 179–187.
  43. Дивак М.П. Задачі моделювання статичних систем з інтервальними даними. – Тернопіль: Економічна думка, 2011. – 216 с.
  44. StepashkoV., Yefimenko S. Parallel algorithms for solving combinatorial macromodelling problems // Przegląd Elektrotechniczny (Electrical Review). – 2009. – 85, N 4. – P. 98–99.
  45. Валькман Ю.Р., Степашко П.В. На пути построения онтологии интеллектуального моделирования // Індуктивне моделювання складних систем. – 7. – К.: МННЦ ІТтаС НАНУ, 2015. – С. 101–115.
  46. Степашко В.С. Елементи теорії індуктивного моделювання / Стан та перспективи розвитку інформатики в Україні / Кол. авторів. Гол. ред. акад. Сергієнко І В. – К.: Наук. думка, 2010. – 1008 с. / С. 481–496.
  47. Степашко В.С. Самоорганизация прогнозирующих моделей сложных процессов и систем // ХУ Всерос. науч.-техн. конф. «Нейроинформатика–2013»: Лекции по нейроинформатике / Отв. ред. Ю.В. Тюменцев – М.: НИЯУ МИФИ, 2013. – 320 с. / С. 150–170.
  48. www.gmdh.net
  49. www.mgua.irtc.org.ua
  50. 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.
  51. Самойленко А.А. Весовой критерий определения информативности аргументов в методах построения моделей с последовательной селекцией переменных // УСиМ. – 2013. – № 2. – С. 33–39.
  52. Степашко В.С., Мельник І.М., Волощук Р.В. Моделі синтезу інтегральної оцінки стану складної системи взаємозв’язаних первинних показників // Моделювання та керування станом еколого-економічних систем регіону: Зб. наук. праць. – 3. – К.: МННЦ ІТтаС НАНУ, 2006. – С. 275–284.
  53. YefimenkoS., 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, Sept. 2–5, 2015. – Львів: Львівська політехніка, 2015. – 274 с. / P. 236–238.
  54. Степашко В.С. Концептуальные основы интеллектуального моделирования // УСиМ. – 2016. – № 4. – С. 3–15.
  55. Ефименко С.Н. Построение систем прогнозных моделей многомерных взаимосвязанных процессов // Там же. – С. 80–86.
  56. Степашко В.С., Копа Ю.В. Опыт применения системы АСТРИД для моделирования экономических процессов по статистическим данным // КВТ. – 1998. – 117. – С. 24–31.
  57. Самойленко О.А. Проектування перебірних алгоритмів МГУА як основних компонентів підсистеми моде­лювання // Індуктивне моделювання складних систем. – 3. – К.: МННЦ ІТтаС НАНУ, 2011. – С. 191–208.
  58. 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.
  59. Павлов А.В. Проектирование системы автоматизированной структурно-параметрической идентификации // Індуктивне моделювання складних систем. – 7. – К.: МННЦ ІТтаС НАНУ, 2015. – С. 202–219.
  60. StepashkoV., 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. – 298 p. / – Р. 269–279.
  61. Іутинська Г.О., Коппа Ю.В., Степашко В.С. Моделювання динаміки чисельності мікроорганізмів у грунті, забрудненому важкими металами // Мікробіологічний журнал. – 2002. – 64. – № 3. – С. 59–67.
  62. Альомов С.В., Булгакова О.С., Степашко В.С. Моделювання впливу забруднення Чорного моря на загальне число видів донних організмів: Зб. наук. праць СНУЯЕтаП. – 3 (39). – 2011. – С. 54–62.
  63. Токова О.В., Савченко Є.А. Підхід до розроблення системи інформаційної підтримки рішень у ливарному виробництві // Індуктивне моделювання склад­них систем. – 8. – К.: МННЦ ІТтаС НАНУ, 2016. – С. 111–118.

Received 27.04.2017