ローレンツおよび記憶的な混沌としたシステムの堅牢なパラメータ識別のための世界最高の導かれた電気の餌探し最適化器

科学分野:

• ダイナミック・システムとカオス理論
• コンピューティング・インテリジェンスと最適化
• 非線形システム識別

背景:

• 混沌としたシステムにおける正確なパラメータ識別は,複雑な逆の問題である.
• 課題には,初期条件に対する感受性,非線形性,マルチモダルのエラー状況などがあります.
• 既存の最適化アルゴリズムは,これらの混沌としたシステムの特徴と闘っています.

研究 の 目的:

• 混沌としたシステムのパラメータ推定のための新しいグローバル・ベスト・ガイデッド・エレクトリック・イーグル・フォーゲージング・オプティマイゼーション・アルゴリズム (g-EEFO) を提案する.
• 行動に意識し,段階に依存するグローバル学習メカニズムを組み込むことによって,元のEEFOを強化する.
• g-EEFOの有効性を評価するために,混沌としたシステムをベンチマークします.

主な方法:

• 世界的に最も優れたガイド付きの電気の採食最適化アルゴリズム (g-EEFO) を開発した.
• EEFOの採食行動 (相互作用,休息,狩猟,移動) にソフトな協力信号として,世界最高の情報を統合した.
• ローレンツ系と記憶的混沌系でg-EEFOを適用し,検証した.

主要な成果:

• g-EEFOは,パラメータ推定の正確性と安定性において,最新のメタヒューリスティックよりも優れたパフォーマンスを示しました.
• ロレンツ ([公式:テキストを参照]) と メムリスティブ ([公式:テキストを参照]) システムの両方にとって,平均二乗誤差を大幅に低めた.
• Run-to-Runの例外的な安定性と,推定パラメータと実際の値のマッチングのほぼ完璧な精度を示しています.

結論:

• g-EEFOの行動に配慮したグローバルガイドラインは,EEFOの検索ダイナミクスを根本的に改善します.
• g-EEFOは,収束の安定性,数学的正確性,および混沌としたパラメータ識別のための堅牢性において実質的な利益を提供します.
• 提案されているg-EEFOは,さまざまなダイナミックレジムの非線形システム再構築のための強力で信頼性の高い代替案です.