Recurrent-and-Parallel GMDH Algorithms for High-Performance Computing

• Published in: Управляющие системы и машины
• Date: 2019
• Main Authors: Stepashko, V.S., Yefimenko, S.M., Pavlov, A.V.
• Format: Article
• Language: English
• Published: Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України 2019
• Subjects: Intelligent Information Technologies and Systems
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/161650
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Recurrent-and-Parallel GMDH Algorithms for High-Performance Computing / V.S. Stepashko, S.M. Yefimenko, A.V. Pavlov // Управляющие системы и машины. — 2019. — № 3. — С. 38-51. — Бібліогр.: 27 назв. — англ.

The paper presents the conception, theoretical grounds and mathematical tools for designing high-performance searching and iterative GMDH algorithms on the basis of recurrent-and-parallel computing for modelling and prediction of complex processes. Its effectiveness is experimentally tested. Intelligent information technology for inductive modeling of complex processes on the basis of recurrent-and-parallel computing is constructed. Мета цієї статті полягає у розробленні методів розпаралелювання обчислень у перебірному алгоритмі COMBI та узагальненому релаксаційному ітераційному алгоритмі GRIA і визначенні обчислювальної ефективності розпаралелювання. Результати. У статті описано розроблені принципи розпаралелювання операцій у комбінаторному алгоритмі Цель этой статьи состоит в разработке методов распараллеливания вычислений в переборном алгоритме COMBI и обобщенном релаксационном итерационном алгоритме GRIA и определении вычислительной эффективности распараллеливания. Результаты. В статье описаны разработанные принципы распараллеливания операций в комбинаторном алгоритме COMBI МГУА с рекуррентным оцениванием параметров моделей. При распараллеливании использованы схемы вычислений со стандартным генератором двоичных чисел и последовательным усложнением структур моделей, согласно которым каждый процессор автономно вычисляет начальный двоичный структурный вектор и количество моделей, которые он будет строить. Также гарантируется неповторяемость структур в различных процессорах. Благодаря этому значительно повышается эффективность распараллеливания, поскольку нет потерь времени на межпроцессорное взаимодействие.