基于多種協同進化算法的混沌系統辨識

呂微微+張堯

摘要：針對混沌系統的不穩定動態行為，及目標函數F具有多個局部極值點的問題，采用基于策略協同的異構協同進化算法（SSHCEA）和基于參數協同的合作型協同進化算法（PSCCEA）對混沌系統進行參數辨識，并與粒子群算法進行比較。仿真實驗表明，SSHCEA和PSCCEA在混沌系統的參數辨識方面具有很強的搜索能力。

關鍵詞：策略協同；異構協同；chen系統；系統辨識

中圖分類號：TP18 文獻標識碼：A 文章編號：1007-9416（2017）06-0135-02

1 引言

混沌運動是在確定性系統范圍內出現的某種隨機狀態[1]，廣泛存在于非線性系統內不穩定、無規則運動狀態中。眾多學者采用傳統算法對混沌模型進行辨識，均存在辨識精度低等問題。

針對此問題，本文提出基于策略協同的異構協同進化算法（SSHCEA）和基于參數協同的合作型協同進化算法（PSCCEA）對混沌系統進行辨識，仿真實驗表明，改進算法SSHCEA和PSCCEA在混沌系統的辨識方面精度高、搜索能力強。

2 混沌系統辨識原理

混沌運動能夠不重復的遍布自身所有狀態，具有很強的初值敏感性，初始值的微弱變化都能夠引起整個系統行為的巨大改變[2]。混沌系統的參數估計辨識原理圖如圖1所示。

為能夠獲取最優的混沌系統的參數估計值，通過選取原混沌系統的參數變量x=（x1，x2，…，xn）T與新混沌模型參數變量Y=（y1，y2，…，yn）T的差值最低的數值，并將情況反饋給算法[3]。在某種評價下，通過調整算法實現辨識的混沌系統與原混沌模型最接近，適應度值最小。

3 算法介紹

3.1 SSHCEA算法在混沌系統中的描述

5 仿真結果

三種智能算法對混沌系統進行參數辨識，實驗結果如表1所示。

三組算法的適應度曲線如圖4所示。

從圖4中看到， SSHCEA算法收斂最快， PSCCEA算法其次，PSO算法收斂精度最低。證明了PSCCEA和SSHCEA兩種改進的協同進化算法在辨識Chen混沌系統中的優越性。

6 結語

針對混沌系統的不穩定動態行為，及目標函數具有多個局部極值點的問題，本文提出兩種改進協同算法SSHCEA和PSCCEA，對chen混沌系統進行參數辨識，并與粒子群算法進行比較，仿真實驗表明，兩種改進協同算法在混沌系統的參數辨識方面具有很強的搜索能力。說明擁有不同策略的粒子群可以更加全面的搜索到區域內的所有解，增強了種群搜索的多樣性，與此同時，更好的避開局部極值的擾動，更快更精準搜索到全局最優解值。

參考文獻

[1]段文文，李碧.基于混沌的數字圖像置亂算法及參數優化[J].計算機應用研究，2011， 28（1）：329-331.

[2]張宏立，宋莉莉.基于量子粒子群算法的混沌系統參數辨識[J].物理學報，2013， 62（19）：114-119.

[3] Zhou X J， Yang C H， Gui W H. State transition algorithm [J].Journal of Industrial and Management Optimization，2012，8（4）：1039-1056.

[4]曹小群，宋君強，張衛民，趙軍.基于變分方法的混沌系統參數估計[J].物理學報，2011，60（7）：70-75.

[5]Chen G，Ueta T.Yet another chaotic attractor[J].International Journal of Bifurcation and Chaos，1999，9（07）：1465-1466.endprint