عنوان فارسی مقاله:یک الگوریتم جدید بهینه سازی پلیکان برای شناسایی پارامتر سیستم آشوبناک ممریستیو

چکیده

ممریستور نوعی قطعه الکترونیکی غیرخطی است. شناسایی پارامتر برای سیستم‌های آشوب‌ ناک ممریستیو یک مسئله بهینه‌سازی متغیر چند بعدی است. این یکی از مسائل کلیدی در کنترل آشوبناک و هماهنگ سازی است. برای شناسایی دقیق و سریع پارامترهای ناشناخته، در این مقاله، یک الگوریتم بهینه‌سازی پلیکان اصلاح‌شده (POA) به نام الگوریتم بهینه‌سازی پارتو پلیکان آشوبناک مرتبه کسری (FPPOA) را معرفی می‌کنیم. ابتدا، تنوع جمعیت پلیکان با ادغام یک توالی آشوبناک کسری افزایش می‌یابد. در مرحله بعد، استفاده از توزیع پارتو برای تغییر استراتژی شکار پلیکان‌ها در POA گنجانده شده است. این اقدامات در تسریع سرعت یافتن راه حل بهینه و دور زدن مسائل بهینه سازی محلی مؤثر است. ثالثاً، FPPOA برای تعیین مقادیر پارامترهای ساده‌ترین سیستم آشوب‌انگیز ممریستیو که دارای خاصیت تقارن شرطی است، استفاده می‌شود. الگوریتم پیشنهادی در طول شبیه‌سازی مورد ارزیابی قرار گرفت، که از آن برای حل شش تابع هدف از انواع مختلف تک‌وجهی و چندوجهی استفاده شد. عملکرد FPPOA از سه الگوریتم سنتی بهینه سازی هوش ازدحام فراتر می‌رود. در آزمایش شناسایی پارامتر، نتایج برای پارامترهای با FPPOA دارای نرخ خطا در محدوده ۱٪ بودند. آزمایش‌های گسترده نشان می‌دهد که استراتژی جدید ما نسبت به سایر الگوریتم‌های سنتی ازدحام، نرخ همگرایی سریع‌تر و عملکرد بهینه‌سازی بهتری دارد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: A New Pelican Optimization Algorithm for the Parameter Identification of Memristive Chaotic System

Abstract

A memristor is a kind of nonlinear electronic component. Parameter identification for memristive chaotic systems is a multi-dimensional variable optimization problem. It is one of the key issues in chaotic control and synchronization. To identify the unknown parameters accurately and quickly, we introduce, in this paper, a modified Pelican Optimization Algorithm (POA) called the fractional-order chaotic Pareto Pelican Optimization Algorithm (FPPOA). First, the pelican population’s diversity is augmented with the integration of a fractional chaotic sequence. Next, the utilization of the Pareto distribution is incorporated to alter the hunting strategy of pelicans in the POA. These measures are effective in hastening the speed of finding an optimal solution and circumventing local optimization issues. Thirdly, the FPPOA is used to determine the values of the parameters of the simplest memristive chaotic system, which has a property of conditional symmetry. The proposed algorithm was evaluated during simulations, where it was utilized to solve six objective functions of varying unimodal and multimodal types. The performance of the FPPOA exceeds three traditional swarm intelligence optimization algorithms. In the parameter identification experiment, the results for the parameters with the FPPOA had error rates all within a 1% range. Extensive testing shows that our new strategy has a faster rate of convergence and better optimization performance than some other traditional swarm algorithms.