基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计

bekindasd

摘要:为了对分数阶超混沌系统中的未知参数进行准确估计,提出一种量子混沌粒子群优化算法(Quantumchaos particle swARM optimization,QCPSO).该算法通过对量子粒子群优化算法(Quantum behaved particle swarm optimiza-tion,QPSO)的实现机理进行分析,并结合量子纠缠与混沌系统之间的相关性而实现.首先,将量子势阱中心视为混沌吸引子围绕的不动点,处于吸引子外部的粒子会逐渐聚集于吸引子之内,而处于吸引子内部的粒子会出现快速分离扩散的现象;然后,采用基于随机映射的粒子更新机制,充分保证混沌粒子的初值多样性;最后,提出了基于不动点中心的尺度自适应策略,解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计,结果表明,该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.

关键词:量子粒子群优化算法;混沌映射;混沌吸引子;分数阶超混沌系统
- Y+ \) Y9 N4 m: |- c; X' w

9 l# s, N1 ~7 X8 K" D3 ?+ N       混沌是由一个确定性理论描述的系统而产生的具有不重复性和不可预测的不规则运动,它广泛存在于自然界与工程系统中.自Lorenz在研究气候预报的长期不可预测性时提出第一个混沌吸引子以来,随着对混沌系统研究的不断深入,出现了演化行为更加复杂和隐蔽的超混沌系统,该类系统在保密通信领域具有较高的应用价值.上述混沌系统主要研究对象是整数阶混沌系统,但在物理过程与实际工程应用中,系统通常以分数阶的形式存在,分数阶混沌系统的同步在数据通信加密、非线性系统参数辨识、图像压缩与信号控制等领域更能精确反映系统的物理特性,因此对分数阶超混沌系统的研究具有更强的普适性与更高的使用价值.

$ Z4 ~9 G* c% `

$ x. F& t. c( n/ a

游客，如果您要查看本帖隐藏内容请回复

1 M$ x9 S# c# J
" s/ }: E8 o$ _8 F8 [# g: F
& o& B% S# f, B2 n

modengxian111

混沌是由一个确定性理论描述的系统而产生的具有不重复性和不可预测的不规则运动