[发明专利]一种基于邻域量子粒子群的混沌系统参数估计方法

说明书

技术领域

本发明涉及系统辨识和智能技术领域，具体地说是一种基于邻域量子粒子群的的混沌系统参数估计方法。

背景技术

近年来，混沌系统的控制与同步已经成为非线性科学中的重要方向之一，并获得了广泛研究。然而现有的多数控制和同步方法均是在系统参数已知的情况下给出的，但在实际应用中，由于系统复杂性导致某些参数难以测量或确定，或者出于某种特殊原因某些参数不可知，所以混沌系统的控制与同步必须首先估计出系统未知参数。因而，估计混沌系统的未知参数成为混沌控制与同步需迫切解决的首要问题。

粒子群优化算法(PSO)，是由Eberhart和Kennedy于1995年提出的进化计算算法。PSO简单且具有良好的优化性能，是一种新兴的很有前途的全局优化算法，但它存在对一些复杂优化问题容易陷入局部极值的缺陷。量子粒子群优化(QPSO)算法是孙俊等人从量子力学的角度，提出的一种新的PSO算法，它是对标准PSO算法的全新改进，粒子的搜索性能远远优于基本PSO算法，已经在函数优化、神经网络训练等领域得到应用。

本发明技术将提出一种基于邻域信息的量子粒子群算法，并将该算法应用于混沌系统的参数估计中。

发明内容

本发明的目的在于克服基本粒子群算法的不足，提出一种基于邻域信息的量子粒子群优化算法来估计Lorenz混沌系统的参数，寻优过程中利用了粒子的量子行为，并且搜索粒子可在邻域极值和全局极值之间协同切换，充分发挥搜索粒子间的邻域搜索机制，具有高效搜索和全局搜索的能力，以达到实现最佳参数估计效果。

本发明采用的技术方案包含如下步骤：

步骤1：由混沌系统产生T个混沌离散时间序列(x(t)，y(t)，z(t))，其中(x(t)，y(t)，z(t))为混沌系统的状态变量，t为从1到T的一系列离散时间序列。

步骤2：初始化。确定粒子群的种群规模M，维数大小D，粒子的位置向量为s_i＝(s_i1，s_i2，...，s_iD)，粒子对应的速度向量为v_i＝(v_i1，v_i2，...，v_iD)，i＝1，2，…，M，最大速度V_max，每个邻域粒子数N(使M mod N＝0)，迭代次数k＝1，最大迭代次数K_max。

步骤3：计算各粒子的适应度函数。首先根据混沌系统变量的离散时间序列，确定估计参数对应的适应度函数，其公式为：