基于混合群智能优化算法的混沌系统参数估计

混沌系统的未知系统参数估计是实现混沌控制和同步的首要问题,通过构造一个合理的适应度函数,可将其转化为一个多维搜索空间的优化问题.提出一种融合改进骨干粒子群算法与改进差分进化算法的混合群智能优化方法来解决上述优化问题.对骨干粒子群算法中的粒子位置更新机制以及差分进化算法中的变异操作、交叉操作、交叉概率因子的设计等进行改进,有效兼顾了种群的多样性与算法的收敛性.在此基础上,讨论骨干粒子群优化算法与差分进化的融合优化策略,实现两个算法的协同进化,进一步提高算法的综合优化性能.用6个基准测试函数以及Lorenz混沌系统为例进行仿真实验,结果表明该方法具有全局寻优能力强、收敛速度快、搜索精度高、稳健性好等优点.     

基于量子并行粒子群优化算法的分数阶混沌系统参数估计

分数阶混沌系统参数估计的本质是多维参数优化问题, 其对于实现分数阶混沌控制与同步至关重要. 提出一种基于量子并行特性的粒子群优化新算法, 用于解决分数阶混沌的系统参数估计问题. 利用量子计算的并行特性, 设计出了一种新的量子编码, 使每代运算的可计算次数呈指数增加. 在此基础上, 构建了由量子当前旋转角、个体最优旋转角和全局最优旋转角共同组成的粒子演化方程, 以约束粒子在量子空间中的运动行为, 使算法的搜索能力得到了较大提高. 以分数阶Lorenz混沌系统和分数阶Chen混沌系统的参数估计为例, 进行了未知参数估计的数值仿真, 结果显示本算法具有良好的有效性、鲁棒性和通用性.     

基于混沌蚂蚁群算法的Lorenz混沌系统的参数估计

通过构造一个适当的适应度函数，首先将混沌系统的参数估计问题转化为参数的寻优问题，之后利用混沌蚂蚁群算法的全局优化搜索能力对这个问题进行求解.以典型的Lorenz混沌系统为例进行了数值模拟.实验数值仿真结果表明，使用该方法可以对混沌系统的未知参数进行有效地估计.     

基于量子粒子群算法的混沌系统参数辨识

针对混沌系统参数辨识问题, 在基本群智能算法粒子群优化算法的基础上, 提出量子粒子群算法, 测试函数证明了算法具有良好的全局优化能力. 进而将其应用于混沌系统参数辨识问题, 将参数辨识问题转化为多维函数空间上的优化问题. 通过对平衡板热对流典型混沌系统Lorenz系统进行研究, 并与基本算法和遗传算法比较. 仿真实验证明, 算法的有效性, 对混沌理论的发展有着非常重要的意义. 关键词： 量子粒子群算法 混沌系统 系统辨识     

基于混沌粒子群优化算法的异结构混沌反同步自抗扰控制

针对一类连续时间异结构混沌系统, 利用自抗扰控制很强的鲁棒性, 提出了一种异结构混沌系统反同步的自抗扰控制策略.针对所设计的自抗扰控制器参数较多, 难以整定的问题, 提出了应用混沌粒子群优化算法对控制器进行参数寻优设计. 以Lorenz系统和Chua系统两个异结构混沌系统为例进行仿真验证, 由仿真结果可知, 该方法可以实现异结构混沌系统较快的反同步控制, 且具有很强的抗干扰能力. 关键词： 异结构混沌系统反同步 自抗扰控制器 混沌粒子群优化算法 参数寻优     

基于粒子群算法和OGY方法的混沌系统混合控制

利用引导混沌轨道的基本原理,将模拟鸟群寻食过程的粒子群算法用于混沌控制,提出了基于粒子群算法引导混沌轨道的新方法,在此基础上利用混沌参数小扰动控制方法（OGY方法）,把混沌系统稳定到不动点.以Hnon混沌系统为例,仿真表明此方法实现混沌控制有良好效果. 关键词： 混沌控制 粒子群算法 OGY控制 引导轨道     

基于量子粒子群算法的混沌系统同步控制及参数辨识

针对异结构且参数未知混沌系统的同步控制,设计同步控制器并对误差系统的稳定性进行理论分析.通过合理选择优化目标函数,利用量子粒子群算法高效的全局寻优能力,实现混沌系统的未知参数辨识,有效降低同步控制器的开发难度.以Rössler混沌系统与Lorenz混沌系统的异结构同步为研究对象,进行数值仿真实验,结果表明该方法能够实现驱动-响应系统的快速混沌同步及系统未知参数的准确辨识,并验证该方法的可行性和有效性.     

基于粒子群优化的混沌系统比例-积分-微分控制

基于比例-积分-微分(PID)控制算法的简单性和实用性,但对于复杂非线性系统控制时参数的难以确定问题,运用集群智能中的改进粒子群算法进行PID控制器的优化,并应用于若干混沌系统的控制.对Hénon混沌、Duffing混沌、六辊UC 轧机混沌、Nagumo-sato神经元混沌、Chen氏混沌以及永磁同步电动机混沌的控制进行了仿真研究.研究结果表明： 用PID进行混沌系统的输出反馈控制是有效的,从而拓宽了PID控制的应用范围; 用简单方法控制复杂混沌系统是完全可能的,对混沌系统的控制具有较好的参考价值; 粒子 关键词： 混沌 比例-积分-微分控制 粒子群优化算法     

基于混合差分进化算法的混沌系统参数估计

混沌系统参数估计是混沌系统控制与同步的关键问题. 通过构造一个适当的适应度函数,将混沌系统的参数估计问题转化为一个多维优化问题,然后利用混合差分进化算法的全局搜索能力求解该优化问题. 以典型的Lorenz混沌系统为例进行了数值仿真,结果表明了混合差分进化算法的有效性和鲁棒性,是一种有效的混沌系统参数估计方法. 关键词： 混沌系统 参数估计 混合差分进化算法     

混沌系统中参数估计的演化建模方法

借助于演化算法的自组织、自适应和自学习特征,本文提出了基于演化算法的参数辨识方案,并利用经典的Lorenz方程进行了数值仿真试验,研究了参数辨识方案对于单参数、双参数以及Lorenz系统三个参数完全未知时的性能.数值试验结果表明,新方法能够很好的对未知参数进行较为快速、准确的辨识,但存在对多个参数同时搜索时速度较慢的缺陷.鉴于此,将演化算法变异操作中的参数变异范围附加一种约束机理,试验结果表明,这一约束机理有效地提高了多参数估计中算法的收敛速度.     

Parameters estimation online for Lorenz system by a novel quantum-behaved particle swarm optimization

This paper proposes a novel quantum-behaved particle swarm optimization （NQPSO） for the estimation of chaos＇ unknown parameters by transforming them into nonlinear functions＇ optimization. By means of the techniques in the following three aspects： contracting the searching space self-adaptively; boundaries restriction strategy; substituting the particles＇ convex combination for their centre of mass, this paper achieves a quite effective search mechanism with fine equilibrium between exploitation and exploration. Details of applying the proposed method and other methods into Lorenz systems are given, and experiments done show that NQPSO has better adaptability, dependability and robustness. It is a successful approach in unknown parameter estimation online especially in the cases with white noises.     

基于混合生物地理优化的混沌系统参数估计

混沌系统的参数估计本质上是多维参数的优化问题. 结合和声搜索方法和对立学习机理, 提出一种混合生物地理优化算法, 用于解决混沌系统的参数估计问题. 利用对立学习机理增加初始群体的多样性, 并引入和声搜索以增强局部寻优能力, 从而提升整体寻优性能. 以典型混沌系统为例进行了未知参数估计的数值仿真, 结果验证了所提出混合生物地理优化方法的有效性和鲁棒性.     

基于免疫双态微粒群的混沌系统自抗扰控制

利用人工免疫算法及粒子群优化算法融合的优点,提出了一种免疫双态微粒群算法(immune binary-state particle swarm optimization, IBPSO)的自抗扰控制器(IBPSO-ADRC),应用于混沌系统控制,构建一种混沌系统自抗扰控制系统.实验研究表明:该控制方法无需了解动态系统精确模型,具有响应速度快,有效抑制混沌系统参数摄动及较强抗干扰能力的特点. 关键词： 人工免疫系统 微粒群算法 混沌系统 自抗扰控制器     

基于粒子群算法的多阈值图像分割方法

在对粒子群优化算法的基本原理和方法进行简要概述的基础上,提出了一种基于粒子群的多阈值图像分割算法。算法采用信息熵构建优化目标函数,提出了新的粒子更新准测,并以此对图像进行了多阈值优化搜索。实验表明,该算法不仅能对图像进行正确的分割,而且还具有稳定性高,易于实现,速度快等特点。     

基于量子粒子群算法的自适应随机共振方法研究

为提升随机共振理论在微弱信号检测领域中的实用性,以随机共振系统参数为研究对象,提出了基于量子粒子群算法的自适应随机共振方法.首先将自适应随机共振问题转化为多参数并行寻优问题,然后分别在Langevin系统和Duffing振子系统下进行仿真实验.在Langevin系统中,将量子粒子群算法和描点法进行了寻优结果对比;在Duffing振子系统中,Duffing振子系统的寻优结果则直接与Langevin系统的寻优结果进行了对比.实验结果表明:在寻优结果和寻优效率上,基于量子粒子群算法的自适应随机共振方法要明显高于描点法;在相同条件下,Duffing振子系统的寻优结果要优于Langevin系统的寻优结果;在两种系统下,输入信号信噪比越低就越能体现出量子粒子群算法的优越性.最后还对随机共振系统参数的寻优结果进行了规律性总结.