用于洛伦兹与忆阻混沌系统稳健参数识别的全局最优引导电鳗觅食优化器

这对现实世界混沌为何重要

从天气模式到脑电活动与电网，许多我们周围的系统表现出看似随机但实际上遵循隐藏规则的行为。这类系统称为混沌系统，精确掌握它们的规则对于安全通信、医疗设备和先进电子学至关重要。本文提出了一种新的手段，通过一个虚拟“电鳗”群体搜索对数据的最佳解释，从而揭示这些隐藏规则，其精度远超现有方法。

在表面随机中潜藏的可预测性

混沌系统处在有序与无序的边界上。初始条件的微小变化可能导致截然不同的结果，这使它们成为强有力的自然模型，但也非常难以逆向推断。要理解或控制此类系统，科研人员通常需要估计少数关键参数——这些数字决定了系统随时间的演化。传统数学工具在此处常陷入困境，因为可能解的空间布满迷惑性的洼地与峰值，搜索很容易被困住。过去二十年间，研究者越来越多地转向群体式优化方法：大量候选解共同漫游并互相学习，作为解决这些棘手逆问题的更可靠途径。

受电鳗启发的数字群体

这项研究基于最近提出的一种模拟电鳗觅食行为的优化方法。在这个数字生态中，每条“鳗鱼”代表一个候选解——对系统参数的一个具体猜测。群体在四种行为间循环：相互作用、在有前景的区域休息、在吸引点周围搜猎，以及向新区域迁移。这些阶段帮助群体在早期保持多样性以便广泛探索，而在后期则更集中以便精炼最佳猜测。作者的主要创新是在这些行为之上温和引入一种全局学习，使得群体可以共享其集体发现，同时不丧失多样性。

来自最佳个体的柔性引导

改进后的方法称为全局最优引导电鳗觅食优化（g‑EEFO），它引入了来自迄今为止找到的最优解的受控影响。鳗鱼完成四种自然行为之一后，其位置会根据借鉴自粒子群方法的规则，朝当前最优个体方向做轻微移动。关键在于，这种推动是弱且暂时的，其强度随时间按照一个“能量”因子变化。搜索初期影响较小，允许广泛探索；后期影响增大，帮助鳗鱼群收敛到共同的高质量解。通过这种方式，全局信息成为一种柔性的偏向而非僵硬的拉力，保留了原算法强有力的丰富运动模式。

将方法付诸检验

为检验g‑EEFO的性能，作者将其应用于两个经典测试问题。第一个是著名的洛伦兹系统，常被用作大气对流的简化模型，以其蝴蝶状轨迹闻名。第二个是包含“忆阻器”的更复杂电子电路——忆阻器的电阻依赖于过去状态，为系统赋予记忆，使其行为更为不规则。在两种情况下，研究者都从已知参数生成合成时间序列，然后让若干算法（包括原始电鳗方法和四个近期对手）从数据中恢复这些参数。所有方法在相同条件下运行，并通过误差度量、收敛曲线、统计检验以及恢复参数与真实值的接近程度来比较性能。

近乎完美地恢复隐藏规则

结果令人瞩目。对于洛伦兹系统，g‑EEFO将重构行为的平均误差降低到约10⁻²⁶，比所有竞争方法低多个数量级，并且各次运行间的变异极小。对于更具挑战性的忆阻电路，它同样以几位数量级的优势超越竞争对手，并保持显著稳定性。实际意义上，恢复出的参数几乎无法与真实参数区分，表明该算法能够可靠地抽出既有代表性的混沌模型又有更复杂电子系统的支配规律。由于该方法不依赖特定方程且额外计算成本适中，作者认为它可以方便地扩展到其他混沌系统甚至更高维的问题。

向前的意义

对非专业读者而言，关键结论是作者找到了一种让数字群体从其最佳成员中学习而不陷入群体思维的方法。通过将丰富、受自然启发的运动模式与温和的全局引导相结合，g‑EEFO能够以前所未有的准确性和可靠性揭示看似无规则数据背后的隐藏规律。这使其成为需要精确复杂行为模型的领域的有前景工具，从基于混沌的安全通信方案到下一代电子电路以及不稳定过程的先进控制。

引用: 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

关键词: 混沌系统, 元启发式优化, 群体智能, 参数识别, 忆阻电路