شناسایی سیستم فوق آشوب راسلر با استفاده از الگوریتم شعله-پروانه بهبودیافته با الگوریتم جستجوی ممنوعه

الموضوعات :

مصطفی سعادتی فر ¹ ()
مهسا اسماعیل نیا ² ()
مهدی یعقوبی ³ (Computer Engineering Department, Mashhad Branch, Islamic Azad University, Mashhad, Iran.)

تاريخ الإرسال : 17 السبت , ذو القعدة, 1445 تاريخ التأكيد : 23 الثلاثاء , صفر, 1446 تاريخ الإصدار : 18 السبت , ربيع الأول, 1446

الکلمات المفتاحية: تخمین پارامتر , سیستمهای فوق آشوب, الگوریتم شعله-پروانه, الگوریتم جستجوی ممنوعه,

ملخص المقالة :

در این مقاله به مسئله¬ی شناسایی سیستم¬های آشوبی به کمک الگوریتم شعله پروانه بهبود یافته با الگوریتم جستجوی ممنوعه پرداخته شده است. مسئله¬ی شناسایی سیستم¬های آشوبی، یک مسئله¬ با بهینه¬های محلی زیاد است. بدین منظور به یک الگوریتم بهینه سازی قدرتمند برای حل آن نیاز است. الگوریتم شعله-پروانه كه از حرکت حلزونی پروانه در اطراف شمع الهام گرفته است دارای ویژگی های متعددی ازجمله توازن بین اکتشاف و استخراج می¬باشد. اما از نظر جستجوی محلی ضعیف است و نیاز به بهبود دارد. در این مقاله به منظور بهبود این الگوریتم، برای اولین بار از روش جستجوی ممنوعه به طور ترکیبی استفاده شده است. هدف بهبود توانایی استخراج و جلوگیری از به دام افتادن در بهینه¬ی محلی در الگوریتم شعله پروانه است. سپس از این الگوریتم برای شناسایی پارامترهای مدل سیستم¬ آشوبی راسلر استفاده شده است. نتایج شبیه سازی¬ها بر روی مسئله توابع محک و شناسایی پارامتر سیستم آشوبی حاکی از برتری الگوریتم شعله-پروانه ترکیبی باجستجوی ممنوعه نسبت به الگوریتمهای بهینه سازی ازدحام ذرات وشعله-پروانه استاندارد است. هدف بهبود توانایی استخراج و جلوگیری از به دام افتادن در بهینه¬ی محلی در الگوریتم شعله پروانه است. سپس از این الگوریتم برای شناسایی پارامترهای مدل سیستم¬ آشوبی راسلر استفاده شده است. نتایج شبیه سازی¬ها بر روی مسئله توابع محک و شناسایی پارامتر سیستم آشوبی حاکی از برتری الگوریتم شعله-پروانه ترکیبی باجستجوی ممنوعه نسبت به الگوریتمهای بهینه سازی ازدحام ذرات وشعله-پروانه استاندارد است.

المصادر:

[1] Chen, G. and Dong, X., 1999. From chaos to order: Methodologies prespectives and applications world scientific Singapore 1998. In Handbook of Chaos Control. Weinheim.
[2] Chang, W.D., Cheng, J.P., Hsu, M.C. and Tsai, L.C., 2012, December. Parameter identification of nonlinear systems using a particle swarm optimization approach. In 2012 Third International Conference on Networking and Computing (pp. 113-117). IEEE.
[3] Xiang-Tao, L. and Ming-Hao, Y., 2012. Parameter estimation for chaotic systems using the cuckoo search algorithm with an orthogonal learning method. Chinese Physics B, 21(5), p.050507.
[4] Li, X. and Yin, M., 2014. Parameter estimation for chaotic systems by hybrid differential evolution algorithm and artificial bee colony algorithm. Nonlinear Dynamics, 77(1), pp.61-71.
[5] Ko, C.N., Jau, Y.M. and Jeng, J.T., 2015. Parameter Estimation of Chaotic Dynamical Systems Using HEQPSO. J. Inf. Sci. Eng., 31(2), pp.675-689.
[6] Zhang, H., Li, B., Zhang, J., Qin, Y., Feng, X. and Liu, B., 2016. Parameter estimation of nonlinear chaotic system by improved TLBO strategy. Soft Computing, 20(12), pp.4965-4980.
[7] Wang, J., Zhou, B. and Zhou, S., 2016. An improved cuckoo search optimization algorithm for the problem of chaotic systems parameter estimation. Computational intelligence and neuroscience, 2016.
[8] Li, H. and Wu, H., 2016. An oppositional wolf pack algorithm for parameter identification of the chaotic systems. Optik, 127(20), pp.9853-9864.
[9] Lazzús, J. A., Rivera, M., & López-Caraballo, C. H. (2016). Parameter estimation of Lorenz chaotic system using a hybrid swarm intelligence algorithm. Physics Letters A, 380(11-12), 1164-1171.
[10] Rahimi, A., Bavafa, F., Aghababaei, S., Khooban, M.H. and Naghavi, S.V., 2016. The online parameter identification of chaotic behaviour in permanent magnet synchronous motor by self-adaptive learning bat-inspired algorithm. International Journal of Electrical Power & Energy Systems, 78, pp.285-291.
[11] Ding, Z., Lu, Z. and Liu, J., 2018. Parameters identification of chaotic systems based on artificial bee colony algorithm combined with cuckoo search strategy. Science China Technological Sciences, 61(3), pp.417-426.
[12] Xu, S., Wang, Y. and Liu, X., 2018. Parameter estimation for chaotic systems via a hybrid flower pollination algorithm. Neural Computing and Applications, 30(8), pp.2607-2623.
[13] Wei, J. and Yu, Y., 2017. An effective hybrid cuckoo search algorithm for unknown parameters and time delays estimation of chaotic systems. IEEE Access, 6, pp.6560-6571.
[14] Mousavi, Y. and Alfi, A., 2018. Fractional calculus-based firefly algorithm applied to parameter estimation of chaotic systems. Chaos, Solitons & Fractals, 114, pp.202-215.
[15] Sheludko, A.S., 2018. Parameter estimation for one-dimensional chaotic systems by guaranteed algorithm and particle swarm optimization. IFAC-PapersOnLine, 51(32), pp.337-342.
[16] Shekofteh, Y., Panahi, S., Boubaker, O. and Jafari, S., 2019. Parameter Estimation of Chaotic Systems Using Density Estimation of Strange Attractors in the State Space. In Recent Advances in Chaotic Systems and Synchronization (pp. 105-124). Academic Press.
[17] Chen, Y., Pi, D. and Wang, B., 2019. Enhanced global flower pollination algorithm for parameter identification of chaotic and hyper-chaotic system. Nonlinear Dynamics, 97(2), pp.1343-1358.
[18] Yousri, D., Allam, D. and Eteiba, M.B., 2019. Chaotic whale optimizer variants for parameters estimation of the chaotic behavior in Permanent Magnet Synchronous Motor. Applied Soft Computing, 74, pp.479-503.
[19] Ebrahimi, S.M., Malekzadeh, M., Alizadeh, M. and HosseinNia, S.H., 2019. Parameter identification of nonlinear system using an improved Lozi map based chaotic optimization algorithm (ILCOA). Evolving Systems, pp.1-18.
[20] Mousazadeh, A. and Shekofteh, Y., 2020. Cost function based on the self-organizing map for parameter estimation of chaotic discrete-time systems. Engineering Applications of Artificial Intelligence, 94, p.103817.
[21] Mirjalili, S., 2015. Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm. Knowledge-based systems, 89, pp.228-249.
[22] Glover, F. and Laguna, M., 1998. Tabu search. In Handbook of combinatorial optimization (pp. 2093-2229). Springer, Boston, MA.
[23] Liang, J. J., Qu, B. Y., & Suganthan, P. N. (2013). Problem definitions and evaluation criteria for the CEC 2014 special session and competition on single objective real-parameter numerical optimization. Computational Intelligence Laboratory, Zhengzhou University, Zhengzhou China and Technical Report, Nanyang Technological University, Singapore, 635, 490