Оптимизатор кормления «электрических угрей» с глобальным лучшим направлением для надежной идентификации параметров систем Лоренца и мемристивных хаотических систем

Почему это важно для реального хаоса

От погодных явлений до активности мозга и энергосетей — многие системы вокруг нас выглядят случайными, хотя на самом деле подчиняются скрытым законам. Такие явления называют хаотическими системами, и точное выявление их правил критично для защищённой связи, медицинских устройств и передовой электроники. В этой статье предлагается новый способ обнаружения этих скрытых правил с помощью виртуального роя «электрических угрей», который ищет наилучшее объяснение данных, достигая точности, значительно превосходящей существующие методы.

Когда предсказуемость прячется в кажущейся случайности

Хаотические системы находятся на грани между порядком и беспорядком. Небольшие изменения в начальных условиях могут привести к совсем иным результатам, что делает их хорошими моделями природы, но и очень трудными для обратного моделирования. Чтобы понять или контролировать такие системы, учёным часто нужно оценить несколько ключевых параметров — чисел, определяющих эволюцию системы со временем. Традиционные математические инструменты здесь испытывают трудности, поскольку ландшафт возможных решений усеян обманчивыми впадинами и пиками, в которых поиск легко застревает. За последние два десятилетия исследователи всё чаще обращаются к методам оптимизации по типу роя, где множество кандидатных решений исследуют пространство и учатся вместе, как более надёжному способу решения этих сложных обратных задач.

Цифровой рой, вдохновлённый электрическими угрями

Исследование опирается на недавно предложенный метод оптимизации, смоделированный по образу охоты электрических угрей. В этой цифровой экосистеме каждый «угорь» представляет собой кандидатное решение — одну конкретную догадку о параметрах системы. Рой проходит четыре поведения: взаимодействие друг с другом, отдых в перспективных зонах, охота вокруг привлекательных мест и миграция в новые области. Эти фазы помогают сохранять разнообразие роя на ранних этапах, когда требуется широкое исследование, и более сфокусироваться позже, при уточнении лучших предположений. Главная инновация авторов — мягкое наложение механизма глобального обучения поверх этих поведений, чтобы рой мог обмениваться коллективно обнаруженной информацией, не теряя при этом разнообразия.

Мягкое руководство от лучших исполнителей

Усовершенствованный метод, названный оптимизацией кормления электрических угрей с управлением глобальным лучшим (g‑EEFO), вводит тщательно контролируемое влияние от наилучшего найденного решения. После того как угорь завершает одно из своих четырёх естественных поведений, его положение слегка смещается в направлении текущего лидера, по правилу, заимствованному у методов роя частиц. Существенно, что это смещение слабое и временное, а его сила меняется со временем в соответствии с фактором «энергии». Ранним этапом поиска влияние невелико, позволяя широкое исследование; позже оно нарастает, помогая угрям сойтись к общему высококачественному решению. Таким образом глобальная информация становится мягким смещением, а не жёстким притяжением, сохраняя богатые паттерны движения, которые делают исходный алгоритм эффективным.

Проверка метода на практике

Чтобы оценить эффективность g‑EEFO, авторы применяют его к двум классическим тестовым моделям. Первая — знаменитая система Лоренца, часто используемая как модель атмосферной конвекции и известная своей «бабочкообразной» траекторией. Вторая — более сложная электронная схема с «мемристором», компонентом, сопротивление которого зависит от прошлого, что придаёт системе память и делает поведение ещё более нерегулярным. В обоих случаях исследователи генерируют синтетические временные ряды из известных параметров, затем ставят задачу нескольким алгоритмам — включая исходный метод угрей и четыре недавних конкурента — восстановить эти параметры по данным. Все методы запускаются в идентичных условиях, а их результаты сравнивают по мерам ошибки, кривым сходимости, статистическим тестам и по тому, насколько восстановленные параметры совпадают с истинными значениями.

Почти совершенное восстановление скрытых правил

Результаты впечатляют. Для системы Лоренца g‑EEFO снижает среднюю ошибку восстановленного поведения до порядка 10⁻²⁶, что на много порядков лучше всех конкурентов, причём разброс между прогоном очень мал. Для более требовательной мемристивной схемы он снова превосходит соперников на несколько порядков и остаётся исключительно стабильным. Практически это означает, что восстановленные параметры практически неотличимы от истинных, показывая, что алгоритм способен надёжно выявлять управляющие законы как хорошо изученной хаотической модели, так и более сложной электронной системы. Поскольку метод не зависит от конкретных уравнений и его дополнительная вычислительная стоимость невелика, авторы утверждают, что его можно легко расширить на другие хаотические и даже более высокоразмерные системы.

Что это означает в дальнейшем

Для неспециалиста ключевое послание в том, что авторам удалось позволить цифровому рою учиться у своих лучших участников, не превращаясь в коллективное мышление. Сочетая богатые, вдохновлённые природой паттерны движения с деликатным глобальным руководством, их метод g‑EEFO способен с беспрецедентной точностью и надёжностью выявлять скрытые правила за кажущимися хаотичными данными. Это делает его перспективным инструментом для областей, которым нужны точные модели сложного поведения — от схем защищённой связи на базе хаоса до электроники следующего поколения и продвинутого управления неустойчивыми процессами.

Цитирование: Izci, D., Ekinci, S., Ökten, İ. et al. Global-best-guided electric eel foraging optimizer for robust parameter identification of Lorenz and memristive chaotic systems. Sci Rep 16, 8579 (2026). https://doi.org/10.1038/s41598-026-39729-4

Ключевые слова: хаотические системы, метаэвристическая оптимизация, роевый интеллект, идентификация параметров, мемристивные цепи