×
陈、杨;皮、德昌;王碧

用于混沌和超混沌系统参数识别的增强型全局授粉算法。 （英语） Zbl 1430.37103号

非线性Dyn。 97，第2期，1343-1358（2019）.
系统参数辨识问题是非线性科学领域的一个基本问题，可以描述为多维优化问题。本文提出了一种改进的全局授粉算法（GFPA），用于混沌和超混沌系统的参数辨识。首次分析了花授粉算法的运动轨迹，并利用混沌映射方法对算法探索阶段的方程进行了改进，以确保算法在探索阶段的收敛性。此外，为了提高算法的收敛速度，利用最佳信息指导搜索，重置了开发阶段的更新方法。通过分析，提出的新算法可以在不增加时间复杂度的情况下保证算法的收敛性。最后，我们识别并验证了Lorenz，Rössler，Chen系统和Rösler超混沌，Chen超混沌系统。实验结果表明，GFPA具有较好的识别效果。

引用于2文件

MSC公司：

37米22 动力系统吸引子的计算方法

关键词：

花授粉算法;混沌系统;超混沌系统;参数识别;最优化问题
PDF格式BibTeX公司 XML格式引用
\textit{Y.Chen}等，非线性动力学。97，第2号，1343--1358（2019；Zbl 1430.37103）
全文： 内政部

参考文献：

[1] Chen，Z.，Yuan，X.，Yun，et al.：使用基于同步的参数观测器识别混沌和超混沌系统的参数。IEEE传输。电路系统。一： 雷古尔。巴普。63(9), 1464-1475 (2016) ·Zbl 1468.93182号
[2] Yue，W.，Zhou，Y.，Long，B.：离散轮换混沌系统及其应用。IEEE传输。电路系统。一： 雷古尔。巴普。61(12), 3469-3477 (2017)
[3] Shekofteh，Y.，Sajad，J.，Rajagopal，K.：基于混沌系统参数估计隐马尔可夫模型的成本函数。软计算。(2018). https://doi.org/10.1007/s00500-018-3129-6 ·doi:10.1007/s00500-018-3129-6
[4] Wan，L.，Liu，J.，Lu，Z.R.：混沌和超混沌系统参数识别的增量响应灵敏度方法。非线性动力学。89（1），153-167（2017）·Zbl 1374.37052号
[5] Shemyakin，V.，Haario，H.：大规模混沌系统的在线识别。非线性动力学。93(2), 961-975 (2018)
[6] Vargas，T.A.R.，Witold，P.，Elder，M.H.：用于非线性系统辨识的双层神经网络的改进学习算法。神经计算32986-96（2019）
[7] Ho，W.H.，Chou，J.H.，Guo，C.Y.：使用改进的差分进化算法识别混沌系统的参数。非线性动力学。61(1-2), 29-41 (2010) ·Zbl 1204.93034号
[8] Lin，J.，Chen，C.：用对立导引头优化算法对混沌系统进行参数估计。非线性动力学。76(1), 509-517 (2014) ·Zbl 1319.93019号
[9] Pan，Q.K.，Sang，H.Y.，Duan，J.H.等：一种用于连续函数优化问题的改进果蝇优化算法。知道-基于系统。62, 69-83 (2014)
[10] Chen，Y.，Pi，D.：用于全局优化的新型果蝇算法及其在短期风预测中的应用。连接。科学。(2019). https://doi.org/101080/09540091.2019.1573419 ·doi:10.1080/09540091.2019.1573419
[11] Sun，J.、Zhao，J.和Wu，X.等人：用漂移粒子群优化方法估计混沌系统的参数。物理学。莱特。A 374（28），2816-2822（2010）·Zbl 1237.34091号
[12] Modares，H.、Alfi，A.、Fateh，M.M.：通过改进的粒子群优化对混沌动力系统进行参数识别。专家系统。申请。37(5), 3714-3720 (2010)
[13] Peng，H.，Li，L.，Yang，Y.，等：通过混沌蚂蚁群对动力系统进行参数估计。物理学。修订版E.81（1），016207（2010）
[14] Anh，H.P.H.，Son，N.N.，Van，K.C.等：使用自适应微分进化算法进行参数识别，用于不确定非线性系统的鲁棒控制。申请。软计算。71, 672-684 (2018)
[15] Lazzús，J.A.，Rivera，M.，López-Caraballo，C.H.：使用混合群智能算法对Lorenz混沌系统进行参数估计。物理学。莱特。A 380（11），1164-1171（2016）
[16] Li，X.，Yin，M.：通过混合差分进化算法和人工蜂群算法对混沌系统进行参数估计。非线性动力学。77(1), 61-71 (2014)
[17] Chen，F.，Ding，Z.，Lu，Z.等：基于改进的Jaya算法的混沌系统参数识别。非线性动力学。94(4), 2307-2326 (2018)
[18] Li，C.，Zhou，J.，Xiao，J.等：利用混沌引力搜索算法识别混沌系统的参数。混沌孤子分形。45(4), 539-547 (2012)
[19] Ahandani，M.A.、Ghiasi，A.R.、Kharrati，H.：使用混合回溯搜索优化算法识别混沌系统的参数。软计算。22(24), 8317-8339 (2018)
[20] 王，J.，周，B.，周，S.：混沌系统参数估计问题的改进布谷鸟搜索优化算法。计算。智力。神经科学。(2016). https://doi.org/10.1155/2016/2959370 ·doi:10.1155/2016/2959370
[21] Wang，J.，Zhou，B.：混沌系统参数估计问题的混合自适应布谷鸟搜索优化算法。神经计算。申请。27(6), 1511-1517 (2016)
[22] Mousavi，Y.，Alfi，A.：基于分数计算的firefly算法应用于混沌系统的参数估计。混沌、孤子分形。114, 202-215 (2018). https://doi.org/10.1016/j.chaos.2018.07.004 ·Zbl 1415.90154号 ·doi:10.1016/j.chaos.2018.07.004
[23] 张，H.，李，B.，张，J.，等：用改进的TLBO策略估计非线性混沌系统的参数。软计算。20(12), 4965-4980 (2016)
[24] Jiang，Q.，Wang，L.，Hei，X.：使用人工雨滴算法识别混沌系统的参数。J.计算。科学。8, 20-31 (2015)
[25] Xu，S.，Wang，Y.，Liu，X.：通过混合授粉算法对混沌系统进行参数估计。神经计算。申请。30(8), 2607-2623 (2018)
[26] Yang，X.S.：用于全局优化的花授粉算法。摘自：《非常规计算和自然计算国际会议论文集》。第240-249页（2012年）·兹比尔1374.68527
[27] Yang，X.S.，Karamanoglu，M.，He，X.：花授粉算法：一种新的多目标优化方法。工程优化。46(9), 1222-1237 (2014)
[28] Draa，A.：关于花授粉算法的性能——定性和定量分析。申请。软计算。34, 349-371 (2015). https://doi.org/10.1016/j.asoc.2015年5月15日 ·doi:10.1016/j.asoc.2015.05.015
[29] Salgotra，R.，Singh，U.：变异算子在花授粉算法中的应用。专家系统。申请。79, 112-129 (2017). https://doi.org/10.1016/j.eswa.2017.02.035 ·doi:10.1016/j.eswa.2017.02.035
[30] Nabil，E.：一种用于全局优化的改进花授粉算法。专家系统。申请。57, 192-203 (2016)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。