一类磁性刚体航天器的混沌控制研究

采用基于误差线性系统稳定性准则的混沌控制方法,控制具有结构内阻尼的磁性刚体航天器在重力场与磁场共同作用下在圆形轨道的混沌姿态运动.讨论了航天器姿态运动方程中部分参数的取值对于运动姿态的影响,给出了这些参数通过倍周期分岔或逆倍周期分岔通往混沌的途径.当参数使系统做混沌姿态运动时,采用上述方法将混沌运动控制至周期-4轨道,并实现周期-1、2、4轨道之间转换的灵活控制.此外,分析了控制参数的变化对于控制效果的影响,并分别给出了控制至不同轨道时的输入扰动范围及控制参数范围.仿真结果表明,该方法能够实现混沌姿态运动在预定周期轨道间的灵活控制,且输入扰动量小、控制速度快、具有高精度,从而验证了该方法在航天器混沌姿态运动控制方面的有效性.     

混沌Lorenz系统延迟反馈控制的机理分析

利用广义Hamilton系统理论的Melnikov方法,严格分析了延迟反馈方法控制混沌Lorenz系统到周期解的机理,揭示了延迟时间与控制混沌的关系.延迟反馈项实际上是一个作用明显的扰动项,通过选择合适的参数,使得系统的稳定流形与不稳定流形不再横截相交,Smale意义下的混沌受到抑制,将Lorenz混沌系统引导到各种不同的周期轨道;可见,延迟时间关系到控制扰动量的大小,但不必是混沌吸引子内嵌不稳定周期轨道的周期整数倍.另外,通过数值仿真,其结果与理论分析相符,从而表明了该分析方法的有效性.     

延迟反馈引导混沌系统到周期解

利用Melnikov方法严格分析了延迟反馈实现引导混沌系统到周期解的控制机理，揭示出延迟时间与控制混沌的关系。得到一些新的结论；延迟反馈实际上是一作用明显的扰动项，使得系统的稳定流形和不稳定流形不再横截相交，延迟时间关系到扰动量的大小，但不必是吸引子中不稳定周期轨道的周期整数倍，次谐轨道的Melnikov分析进一步证实了周期解的存在性。     

非线性车辆悬架系统的滞后分岔及多稳态控制

考虑一类单自由度1/4非线性车辆悬架系统,根据Floquet理论得到周期运动的Floquet乘子用于判定其稳定性;并得到Lyapunov指数用于刻画混沌运动的性质.揭示了系统中一种新的滞后分岔：滞后环由一条稳定的周期轨道、一条不稳定周期轨道和一条周期轨道的倍化序列构成.其中周期轨道的倍化序列在滞后环的边界已经形成混沌轨道;因此随参数改变在该滞后环边界将产生一条稳定周期轨道与一条混沌轨道之间的跳跃现象.并且,若周期倍化序列形成的混沌轨道在滞后环边界处与不稳定周期轨道接触,混沌轨道将产生边界激变而突然消失,并跳跃至另一条稳定的周期轨道.根据线性增益控制法,实现了滞后环内部的多稳态控制,包括从大振幅周期3轨道控制到小振幅周期1轨道,以及周期1轨道控制到混沌轨道.本文研究结果可为车辆悬架的动力学设计提供理论参考.     

基于混沌小扰动抑制的电力系统混沌振荡控制方法研究

针对电力系统在周期扰动下可能发生混沌振荡,影响电力系统稳定运行的问题,提出基于混沌小扰动抑制的电力系统混沌振荡控制方法;构建电力系统数学模型,模拟电力系统混沌振荡过程,确定扰动与混沌振荡之间的关系;根据电力系统实时运行数据的采集结果,计算混沌振荡信号特征参数,判定系统振荡状态,计算混沌扰动抑制控制量;在混沌振荡控制器的支持下,利用混沌小扰动抑制技术限制混沌振荡幅值,进而实现电力系统的混沌振荡控制任务;从实验结果中可以看出,与传统控制方法相比,优化设计方法控制作用下,电力系统的混沌振荡信号的幅值和频率更低,振荡幅值和频率的控制误差分别降低了约1.57 db和0.015 Hz,即优化设计方法的控制性能更优。     

基于遗传算法混沌系统同步的研究

把混沌同步和混沌控制相结合, 利用引导混沌轨道的基本原理, 将模拟自然界生物进化过程的遗传算法用于混沌同步, 提出基于遗传算法引导混沌轨道, 从而实现混沌系统同步的新方法, 目的是使初始条件不同的混沌系统在小扰动作用下能迅速到达同步, 并采取策略使同步得以维持. 以H啨ｎｏｎＭａｐ系统为例的仿真表明, 用此方法实现同步效果良好.     

超混沌系统自周期轨道链接式控制

基于混沌同步和周期轨道理论提出一种超混沌系统自周期轨道链接式控制法。从超混沌系统状态变量的时间序列中提取周期轨道并用于对系统的实时控制,可使混沌系统稳定运行于某一周期轨道。将提周期轨道经链接组合后用于系统控制,可得到大量的大周期轨道。对4阶蔡氏电路进行数字仿真实验,获得了满意的结果。     

单核单涡旋混沌系统定平面折返控制法

基于混沌细胞模型理论,提出适用于单核单涡旋混沌系统的定平面折返控制法.让混沌系统的运动轨线在确定的平面折返,并用一线性系统取代混沌系统作折返运动,从而大大降低了系统的随机性.适当选择折返平面,可控制混沌系统稳定运行于某些周期轨道上.用该控制方法对多个典型混沌系统进行数字仿真实验,获得了稳定的周期1、周期2和周期4轨道.     

控制噪声环境中的超混沌与混沌系统

考虑了噪声环境中的超混沌与混沌的离散动力系统的控制问题, 提出了一种普遍适用的控制方法. 基于混沌吸引子里的轨道的遍历性质, 利用最优控制方法快速引导系统轨道进入给定的目标轨道的邻域里; 同时增加一个反馈校正器以抑制噪声的干扰, 使得系统的轨道不至于偏离最优参考轨道太远. 当系统轨道进入给定的目标轨道的邻域后, 再设计一个简单的小扰动控制器稳定控制系统运行在目标轨道上. 仿真表明, 本文的综合控制方法快速、有效.     

控制噪声环境中的超混沌与混沌系统

考虑了噪声环境中的超混沌与混沌的离散动力系统的控制问题 ,提出了一种普遍适用的控制方法 .基于混沌吸引子里的轨道的遍历性质 ,利用最优控制方法快速引导系统轨道进入给定的目标轨道的邻域里 ;同时增加一个反馈校正器以抑制噪声的干扰 ,使得系统的轨道不至于偏离最优参考轨道太远 .当系统轨道进入给定的目标轨道的邻域后 ,再设计一个简单的小扰动控制器稳定控制系统运行在目标轨道上 .仿真表明 ,本文的综合控制方法快速、有效 .     

基于混沌遗传算法的区域交通计算机控制配时优化

充分发挥混沌理论和遗传算法各自的优势,开发了混沌遗传算法,混沌遗传算法能有效地改进遗传算法的收敛速度慢、早熟收敛和有可能陷入局部最优点的缺陷。分析了城市交通这个复杂大系统的混沌性,并将混沌遗传算法成功应用于城市区域交通计算机控制信号配时优化。采用TSIS5.1进行了仿真,仿真结果表明:混沌遗传算法比遗传算法的收敛速度大大加快,且车辆平均延误和平均停车率都比遗传算法和固定周期法有明显的降低。     

基于预测控制的混沌系统参数微调控制方法

本文将预测控制理论引入混沌系统的控制研究中，提出一种基于预测控制的混沌系统参数微调控制方法，通过对控制参数进行微调，将模型未知时的混沌运动稳定到系统的不稳定不动点处．与现有同类方法相比，本控制系统具有快得多的响应速度，需要较短的时间就能实现混沌系统的控制．本方法能够控制超混沌系统，算法简便，控制算法的收敛性和控制系统的稳定性能够保证，理论分析和仿真实验都表明了本方法的有效性．     

基于混合类电磁机制算法的混沌系统控制与同步

混沌系统控制与同步可通过优化方法设计控制律引导混沌系统轨道来实现．类电磁机制优化算法（EM）是模拟电磁场带电粒子间吸引一排斥行为机制的一种启发式搜索方法,目前还尚未在混沌系统控制与同步问题中得到应用．本文提出一种混合类电磁机制优化算法（HEM）用于求解该优化问题,该方法采用修改的类电磁机制算法（REM）与差分进化算法（DE）相融合平衡算法对解空间的全局探索和局部开发能力,基准函数测试表明混合算法改善了全局搜索能力及求解可靠性．在此基础上,采用HEM算法引导混沌系统的轨道,搜索施加于系统的小扰动使其轨迹在短时间内跟踪到目标区域;再将混沌系统的同步问题转化为在线轨道导引问题,采用HEM优化算法解决．通过典型离散Henon映射为例,数值仿真结果表明了该方法是解决混沌系统控制与同步的一种有效方法．     

混沌遗传算法在IP网络组播路由中的应用

提出了一种基于混沌优化和遗传算法的新颖的QoS组播路由算法，该路由算法把混沌系列和遗传算法结合起来，并提供了一种新的编码方式和一种自适应的变异遗传操作，从而克服了传统遗传算法中存在的早熟现象，加快了收敛速度。仿真结果显示，该文提出的算法在解题的精度和收敛速度等方面都优于遗传算法。     

Controlling chaos by GA-based reinforcement learning neural network

Proposes a TD (temporal difference) and GA (genetic algorithm) based reinforcement (TDGAR) neural learning scheme for controlling chaotic dynamical systems based on the technique of small perturbations. The TDGAR learning scheme is a new hybrid GA, which integrates the TD prediction method and the GA to fulfil the reinforcement learning task. Structurally, the TDGAR learning system is composed of two integrated feedforward networks. One neural network acts as a critic network for helping the learning of the other network, the action network, which determines the outputs (actions) of the TDGAR learning system. Using the TD prediction method, the critic network can predict the external reinforcement signal and provide a more informative internal reinforcement signal to the action network. The action network uses the GA to adapt itself according to the internal reinforcement signal. This can usually accelerate the GA learning since an external reinforcement signal may only be available at a time long after a sequence of actions have occurred in the reinforcement learning problems. By defining a simple external reinforcement signal. the TDGAR learning system can learn to produce a series of small perturbations to convert chaotic oscillations of a chaotic system into desired regular ones with a periodic behavior. The proposed method is an adaptive search for the optimum control technique. Computer simulations on controlling two chaotic systems, i.e., the Henon map and the logistic map, have been conducted to illustrate the performance of the proposed method.     

Adaptive neuro-genetic control of chaos applied to the attitude control problem

Conventional adaptive control techniques have, for the most part, been based on methods for linear or weakly non-linear systems. More recently, neural network and genetic algorithm controllers have started to be applied to complex, non-linear dynamic systems. The control of chaotic dynamic systems poses a series of especially challenging problems. In this paper, an adaptive control architecture using neural networks and genetic algorithms is applied to a complex, highly nonlinear, chaotic dynamic system: the adaptive attitude control problem (for a satellite), in the presence of large, external forces (which left to themselves led the system into a chaotic motion). In contrast to the OGY method, which uses small control adjustments to stabilize a chaotic system in an otherwise unstable but natural periodic orbit of the system, the neuro-genetic controller may use large control adjustments and proves capable of effectively attaining any specified system state, with no a prioriknowledge of the dynamics, even in the presence of significant noise.This work was partly supported by SERC grant 90800355.     

一种基于交叉混沌序列的图像加密算法

当前研究的混沌加密算法大都是基于单级混沌系统或低维的混沌加密技术,而这些混沌映射的密钥空间太小,可以轻易地被破译,它们还不算具有严格密码学意义上的保密性。文中提出了一种利用Logistic映射与Chebyshev映射作为2个混沌发生器的算法,在这种交叉混沌映射的图像算法中,不仅通过加密矩阵对图像像素进行灰度置乱,而且根据离散映射生成相应的符号矩阵和置换矩阵。实验结果证明了该算法实现简单,计算量小,且图像的解密结果对混沌序列的初始值有较强的依赖性,安全性高,同时也证明了给出的图像置乱度能更好地反映图像加密前后的视觉差别和加密效果。     

带反馈的混沌并行GA及其在非线性约束优化中的应用

基于生物系统中普遍存在"随机进化 反馈"现象,提出了带反馈机制的混沌并行遗传算法:混沌映射的嵌入保持演化群体良好的多样性,而反馈机制,即基于Baldwin效应的后天强化学习,克服纯粹随机演化,从而加速系统演化进程.通过基准复杂非线性约束优化问题及金融领域中基准的参数优化问题的数值实验,验证了文中算法的高效性、通用性及稳健性.     

有效生成饰带群混沌吸引子参数的改进优生遗传算法

本文将蒙特卡罗搜索法与优生遗传算法应用于构造饰带群等价映射模型p112与模型p1a1混沌吸引子,并针对“遗传漂移”现象提出了改进的优生遗传算法．研究表明,在参数空间中引入空间距离的限制,可以由初始种群参数向量搜索出无重复参数向量的子代参数集合．在进化的种群中,也无重复混沌吸引子参数向量,从而避免了原有优生遗传算法在种群中出现的“遗传漂移”现象．新算法实现了种群中的参数无重复地不断更新,利用更新的种群在参数空间上能够持续地搜索出无重复图形结构的混沌吸引子参数向量,解决了原优生遗传算法无法持续有效生成新的混沌吸引子参数向量的问题．