基于多机制混合象群算法的混沌系统参数估计

发布时间：2021-08-13 12:51

　　针对混沌系统模型未知参数进行估计,提出了一种多机制混合的象群算法.对于象群算法收敛慢,精度低,难以跳出局部最优的缺陷,采用混沌初始化能够增加群体的多样性,避免陷入局部极值;Z型变化的尺度因子和全局最优解来增强其搜索能力,并采用自适应反向学习增加算法进化群体的多样性,提高局部搜索能力,以更高的精度逼近全局最优个体.通过测试函数求解表明改进的算法在寻优精度和稳定性要优于象群算法、正余弦算法、鲸鱼算法、多向宇宙优化算法.最后对两个混沌系统进行参数估计,验证了改进算法有较强的寻优精度,速度和稳定性. 

【文章来源】：微电子学与计算机. 2020,37(06)北大核心

【文章页数】：6 页

【部分图文】：

Lorenz系统的混沌行为

利用MCEHO算法,SCA算法,WOA算法,MVO算法对Lorenz系统进行参数辨识,参数变化范围 a∈[ 5,15 ],b∈[ 25,35 ],c∈[ 0,5 ] ,各种算法参数的设置如上面测试函数寻优一致.通过四阶龙格库塔求解,步长为0.01,选取固定初值的前51个混沌变量作为适应度函数中参数误差的评指标.适应度函数值变化曲线如图2所示,纵坐标取以10为底的对数.各种算法独立运行30次的平均值和适应度值的均值和标准差如下表2所示.

式中,非线性函数W(u)=-d+3eu2a=9b=30c=15d=1.2e=0.4,对于初始条件(0,0,0.0001,0,0)系统生成一个双涡卷混沌吸引子,它在相平面上的投影如图3所示:对忆阻元件的五阶混沌电路模型进行参数估计,参数变化范围 a∈[ 0,20 ],b∈[ 20,40 ], c∈[ 10,20 ], d∈[ 0,2 ],e∈[ 0,1 ] ,各种算法参数的设置如上面测试函数寻优一致.通过四阶龙格库塔求解,步长为0.01,选取固定初值的前51个混沌变量作为适应度函数中参数误差的评价指标.适应度函数值的变化曲线如图4所示,纵坐标取以10为底的对数.

【参考文献】：
期刊论文
[1]Parameters identification of chaotic systems based on artificial bee colony algorithm combined with cuckoo search strategy[J]. DING ZhengHao,LU ZhongRong,LIU JiKe.  Science China（Technological Sciences）. 2018(03)
[2]带有权重函数学习因子的粒子群算法[J]. 赵远东,方正华.  计算机应用. 2013(08)
[3]基于忆阻元件的五阶混沌电路研究[J]. 包伯成,王其红,许建平.  电路与系统学报. 2011(02)



本文编号：3340462