Küresel-en-iyi-kılavuzlu elektrik yılanı beslenme optimizasyonu ile Lorenz ve memristif kaotik sistemlerin sağlam parametre tanımlanması

Gerçek dünya kaosu için neden önemli

Hava modellerinden beyin faaliyetlerine ve elektrik şebekelerine kadar çevremizdeki birçok sistem rastgele gibi görünen ancak aslında gizli kuralları izleyen davranışlar sergiler. Bunlara kaotik sistemler denir ve bu kuralları kesin olarak öğrenmek, güvenli iletişim, tıbbi cihazlar ve gelişmiş elektronik için hayati önem taşır. Bu makale, verilerin en iyi açıklamasını arayan sanal bir “elektrik yılanı” sürüsü kullanarak bu gizli kuralları ortaya çıkarmanın yeni bir yolunu tanıtıyor ve mevcut yöntemlerin çok ötesinde bir doğruluk düzeyi elde ediyor.

Tahmin edilebilirlik görünürdeki rastgeleliğin içinde saklandığında

Kaotik sistemler düzen ile düzensizlik arasındaki eşiğe yerleşir. Başlangıç koşullarındaki küçük değişiklikler tamamen farklı sonuçlara yol açabilir; bu durum onları doğanın güçlü modelleri kılarken tersine mühendislik yapmayı da çok zorlaştırır. Bu tür sistemleri anlamak veya kontrol etmek için bilim insanları genellikle sistemin zamanla nasıl evrildiğini tanımlayan bir avuç temel parametreyi tahmin etmek zorundadır. Geleneksel matematik araçları burada zorlanır çünkü olası çözümler manzarası yanıltıcı vadiler ve zirvelerle doludur ve bir arama kolayca takılıp kalabilir. Son yirmi yılda araştırmacılar, birçok aday çözümün birlikte gezinip öğrenmesine dayanan sürü-benzeri optimizasyon yöntemlerine giderek daha fazla yönelmiştir; bunlar bu tür ters problemleri çözmede daha güvenilir bulunmuştur.

Elektrik yılanlarından esinlenen dijital bir sürü

Çalışma, elektrik yılanlarının beslenme davranışlarını modelleyen yakın zamanda önerilmiş bir optimizasyon yöntemine dayanıyor. Bu dijital ekosistemde her “yılan” bir aday çözümü—sistemin parametreleri için belirli bir tahmini—temsil eder. Sürü dört davranış biçimini döngüsel olarak uygular: birbirleriyle etkileşim, umut verici bölgelerde dinlenme, çekici noktaların etrafında avlanma ve yeni bölgelere göç etme. Bu aşamalar, geniş keşfin gerektiği erken safhalarda sürünün çeşitliliğini korumaya ve daha sonra en iyi tahminleri rafine ederken odaklanmayı sağlamaya yardımcı olur. Yazarların ana yeniliği, sürünün kolektif olarak keşfettiği bilgileri çeşitliliğini yitirmeden paylaşmasına imkan veren bir tür küresel öğrenmeyi bu davranışların üzerine nazikçe katmanlamaktır.

En iyi performans gösterenlerden gelen yumuşak yönlendirme

Geliştirilmiş yöntem, küresel-en-iyi-kılavuzlu elektrik yılanı beslenme optimizasyonu (g-EEFO) adını taşır ve şimdiye kadar bulunmuş en iyi çözümün dikkatle kontrol edilen bir etkisini tanıtır. Bir yılan dört doğal davranışından birini tamamladıktan sonra, parçacık-sürü (particle-swarm) yöntemlerinden ödünç alınan bir kuralla mevcut en iyi performans gösterenin yönüne doğru hafifçe itilerek konumu ayarlanır. Önemli olan, bu itmenin zayıf ve geçici olmasıdır ve gücü zaman içinde bir “enerji” faktörüne göre değişir. Aramanın erken döneminde etki küçüktür ve geniş keşfe izin verir; daha sonra büyür ve yılanların ortak, yüksek kaliteli bir çözüme yakınsamasına yardımcı olur. Bu şekilde küresel bilgi katı bir çekim yerine yumuşak bir önyargı haline gelir ve orijinal algoritmayı güçlü kılan zengin hareket örüntüleri korunur.

Yöntemi teste koymak

g-EEFO’nun ne kadar iyi çalıştığını görmek için yazarlar iki klasik test düzeneğine uygular. İlki, atmosfer konveksiyonunun oyuncak modeli olarak sıkça kullanılan ve kelebek şeklindeki yörüngesiyle tanınan ünlü Lorenz sistemi. İkincisi ise direnci geçmişine bağlı olan ve sisteme bellek kazandıran “memristör” içeren, davranışını daha düzensiz yapan daha karmaşık bir elektronik devredir. Her iki durumda da araştırmacılar bilinen parametrelerden sentetik zaman serileri üretir ve ardından orijinal yılan yöntemini ve dört yakın rakibi içeren birkaç algoritmayı bu verilerden parametreleri geri çıkarmaya zorlar. Tüm yöntemler özdeş koşullar altında çalıştırılır ve performansları hata ölçüleri, yakınsama eğrileri, istatistiksel testler ve geri kazanılan parametrelerin gerçek değerlere ne kadar yakın olduğuna göre karşılaştırılır.

Gizli kuralların neredeyse mükemmel geri kazanımı

Sonuçlar çarpıcıdır. Lorenz sistemi için g-EEFO, yeniden yapılandırılan davranıştaki ortalama hatayı yaklaşık 10⁻²⁶ düzeyine indirir; bu, tüm rakip yöntemlerden katbekat daha iyidir ve denemeler arasındaki varyasyon son derece düşüktür. Daha zorlu memristif devre için de rakiplerini birkaç mertebe üstünlükle geride bırakırken istikrarlı kalır. Pratik açıdan geri kazanılan parametreler gerçek olanlardan neredeyse ayırt edilemez durumdadır; bu, algoritmanın hem iyi çalışılmış bir kaotik modeli hem de daha karmaşık bir elektronik sistemin yöneten kurallarını güvenilir biçimde ortaya çıkarabildiğini gösterir. Yöntem belirli denklemlere bağlı olmadığından ve ek hesap yükü makul düzeyde kaldığından, yazarlar bunun diğer kaotik ve hatta daha yüksek boyutlu sistemlere kolayca genişletilebileceğini savunurlar.

İleriye dönük anlamı

Uzman olmayan birine yönelik ana mesaj, yazarların dijital bir sürünün en iyi üyelerinden öğrenmesine izin veren ancak sürü düşüncesine (groupthink) saplanıp kalmamasını sağlayan bir yol bulmuş olmalarıdır. Doğadan esinlenen zengin hareket örüntülerini nazik küresel yönlendirme ile birleştirerek, g-EEFO yöntemi görünüşte düzensiz verilerin ardındaki gizli kuralları benzeri görülmemiş doğruluk ve güvenilirlikle ortaya çıkarabilir. Bu da kaosa dayalı güvenli iletişim şemalarından gelecek nesil elektronik devrelere ve kararsız süreçlerin gelişmiş kontrolüne kadar, karmaşık davranışların hassas modellerine bağlı alanlar için umut verici bir araç yapar.

Atıf: 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

Anahtar kelimeler: kaotik sistemler, meta-sezgisel optimizasyon, sürü zekâsı, parametre tanımlama, memristif devreler