DOI: https://doi.org/10.1038/s41598-026-41940-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41772072
تاريخ النشر: 2026-03-02
المؤلف: Serdar Ekinci وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
يقدم هذا القسم مقدمة لمُحسّن الاهتزازات النجمية (SOO)، وهو خوارزمية ميتاهيرستية جديدة مصممة لتحديد المعلمات بدقة في الأنظمة الديناميكية غير الخطية. تصيغ الدراسة تحدي التعرف على المعلمات كعملية تقليل دالة تكلفة عدم تطابق المسار، باستخدام الديناميات الاهتزازية لـ SOO لتحسين الحلول المرشحة بشكل تكراري. يتم تقييم فعالية SOO مقابل أربعة أنظمة مرجعية، بما في ذلك ثلاثة نماذج فوضوية (لورينز، تشين، ورسلر) وحالة عملية تتعلق بمحرك متزامن ذو مغناطيس دائم (PMSM).
تشير النتائج إلى أن SOO يحقق باستمرار حلولًا عالية الدقة مع الحد الأدنى من المتبقيات في كل من البيئات الحتمية والخالية من الضوضاء، مما يظهر أداءً قويًا عبر عدة تجارب مستقلة. في السيناريوهات الفوضوية، تقترب المتبقيات من حدود النقاط العائمة، مما يشير إلى تقارب عددي مستقر، على الرغم من أن هذا لا يضمن التعرف الفيزيائي في القياسات الواقعية. بالنسبة لنموذج PMSM، يوفر SOO تقديرات دقيقة وقابلة للتكرار للمعلمات، مما يؤكد إمكانيته كأداة موثوقة لتحديد معلمات النظام.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لتحديد المعلمات بدقة في نمذجة ومحاكاة والتحكم في الأنظمة الديناميكية غير الخطية، وخاصة الأنظمة الفوضوية حيث يمكن أن تؤدي أخطاء التقدير الصغيرة إلى اختلافات كبيرة بين السلوك المتوقع والفعلي. غالبًا ما تكافح طرق التقدير التقليدية، بما في ذلك الأساليب المعتمدة على التدرج والتقنيات التحليلية، مع تعقيدات الديناميات غير الخطية بسبب اعتمادها على المناظر الموضوعية السلسة، مما يجعلها عرضة للحد الأدنى المحلي والانحراف في مساحات البحث متعددة الأوجه أو المنقطعة.
للتغلب على هذه القيود، اعتمد الباحثون بشكل متزايد على خوارزميات تحسين ميتاهيرستية، والتي توفر قدرات بحث خالية من المشتقات مناسبة للمناظر الوعرة وعالية الأبعاد. تناقش الورقة التحديات المستمرة لتقدير المعلمات في الأنظمة الفوضوية الكانونية، مثل لورينز، تشين، ورسلر، حيث غالبًا ما تكون دوال خطأ الزمن الكلاسيكية غير مشروطة بسبب الحساسية للظروف الأولية. تم استكشاف صيغ بديلة، مثل دوال تكلفة خريطة العودة أو المعتمدة على بوانكاريه، لإنشاء مناظر أكثر سلاسة تعزز القوة ضد الضوضاء. أظهر دمج هذه الأهداف المحسنة مع استراتيجيات ميتاهيرستية، بما في ذلك الأساليب التطورية مثل الخوارزميات الجينية (GA) وتحسين سرب الجسيمات (PSO)، وعدًا، على الرغم من أن قضايا مثل الاحتجاز المحلي والتقارب المبكر لا تزال قائمة. تم اقتراح أساليب هجينة تجمع بين هذه الطرق وآليات تكيفية لتحقيق تقديرات أكثر دقة من خلال تحقيق توازن فعال بين الاستكشاف والاستغلال في التدفقات الفوضوية.
النتائج
في هذا القسم، يقدم المؤلفون نتائج المحاكاة التي أجريت لتقييم أداء مُحسّن الاهتزازات النجمية (SOO) في تحديد المعلمات عبر أنظمة فوضوية وهندسية متنوعة. شملت التجارب ثلاثة جذبات فوضوية—لورينز، تشين، ورسلر—ونموذج ميكانيكي كهربائي عملي، تحديدًا محرك متزامن ذو مغناطيس دائم. تم تنفيذ جميع الخوارزميات، بما في ذلك SOO، خوارزمية قانون كيرشوف (KLA)، تحسين سباق الخيل لتينجي (THRO)، مُحسّن بومة (PO)، وخوارزمية تحسين المشي (HOA)، تحت ظروف متسقة: حجم سكاني ثابت يبلغ 30، ميزانية تكرارية تبلغ 200، و25 تجربة مستقلة لضمان القابلية للمقارنة.
تُفصّل النتائج في الأقسام الفرعية التالية، والتي تشمل تحليلات إحصائية، منحنيات تقارب، وتقييمات لمسارات المعلمات. تُظهر هذه التحليلات دقة وقوة SOO مقارنةً بالخوارزميات الأخرى، مما يبرز فعاليته في مهام تحديد المعلمات ضمن الأنظمة المختبرة.
المناقشة
تسلط المناقشة الضوء على التقدم في خوارزميات التحسين لتحديد الأنظمة الفوضوية وغير الخطية، مع التأكيد على فعالية استراتيجيات البحث متعددة المراحل والتعيينات الفوضوية في تعزيز التقارب والقوة. بشكل ملحوظ، أظهرت خوارزمية تحسين خريطة لوزي المحسنة (ILCOA) أداءً متفوقًا على الطرق التقليدية مثل التطور التفاضلي (DE) وتحسين سرب الجسيمات (PSO) على الأنظمة المرجعية مثل لورينز وتشين. أظهرت خوارزميات أخرى، بما في ذلك خوارزمية تلقيح الزهور العالمية (GFPA) والتصاميم المستوحاة من الكم، أيضًا تحسينات كبيرة في دقة تقدير المعلمات، خاصة في الأنظمة المعقدة مثل المحركات المتزامنة ذات المغناطيس الدائم (PMSMs).
تؤكد الأبحاث على أهمية بروتوكولات التقييم الموحدة لمقارنة الأساليب الميتاهيرستية المختلفة، حيث تفتقر العديد من الدراسات الحالية إلى الاتساق في منهجياتها، مما يعقد إمكانية إعادة الإنتاج. تم تقديم مُحسّن الاهتزازات النجمية (SOO) كنهج جديد لم يحقق فقط دقة واستقرار ملحوظين عبر تجارب متعددة، بل أسس أيضًا إطارًا موحدًا لتقدير المعلمات. تفوق SOO باستمرار على الخوارزميات الأخرى من حيث سرعة التقارب والقوة، محققًا أخطاء متبقية قريبة من الصفر في الأنظمة الفوضوية، مما يظهر إمكانيته كأداة موثوقة للتطبيقات النظرية والعملية في مهام تحديد المعلمات.
DOI: https://doi.org/10.1038/s41598-026-41940-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41772072
Publication Date: 2026-03-02
Author(s): Serdar Ekinci et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
This section presents the introduction of the stellar oscillation optimizer (SOO), a novel metaheuristic designed for accurate parameter identification in nonlinear dynamical systems. The study formulates the identification challenge as the minimization of a trajectory-mismatch cost function, utilizing the oscillatory dynamics of SOO to iteratively refine candidate solutions. The effectiveness of SOO is evaluated against four benchmark systems, including three chaotic models (Lorenz, Chen, and Rössler) and a practical case involving a permanent-magnet synchronous motor (PMSM).
The results indicate that SOO consistently achieves high-precision solutions with minimal residuals in both deterministic and noise-free environments, demonstrating robust performance across multiple independent runs. In chaotic scenarios, the residuals approach floating-point limits, suggesting stable numerical convergence, although this does not guarantee physical identifiability in real-world measurements. For the PMSM model, SOO provides accurate and repeatable parameter estimations, affirming its potential as a reliable tool for system parameter identification.
Introduction
The introduction highlights the critical role of accurate parameter identification in modeling, simulation, and control of nonlinear dynamical systems, particularly chaotic systems where small estimation errors can lead to significant discrepancies in predicted versus actual behavior. Traditional estimation methods, including gradient-based and analytical techniques, often struggle with the complexities of nonlinear dynamics due to their reliance on smooth objective landscapes, making them vulnerable to local minima and divergence in multimodal or discontinuous search spaces.
To overcome these limitations, researchers have increasingly adopted metaheuristic optimization algorithms, which provide derivative-free search capabilities suitable for rugged, high-dimensional landscapes. The paper discusses the ongoing challenges of parameter estimation in canonical chaotic systems, such as Lorenz, Chen, and Rössler, where classical time-domain error functions are often ill-conditioned due to sensitivity to initial conditions. Alternative formulations, like return-map or Poincaré-based cost functions, have been explored to create smoother landscapes that enhance robustness against noise. The integration of these improved objectives with metaheuristic strategies, including evolutionary methods like genetic algorithms (GA) and particle swarm optimization (PSO), has shown promise, although issues like local entrapment and premature convergence remain. Hybrid approaches that combine these methods with adaptive mechanisms have been proposed to achieve more accurate estimations by effectively balancing exploration and exploitation in chaotic flows.
Results
In this section, the authors present the results of simulations conducted to assess the performance of the Stellar Oscillation Optimizer (SOO) in parameter identification across various chaotic and engineering systems. The experiments involved three chaotic attractors—Lorenz, Chen, and Rössler—and a practical electromechanical model, specifically a permanent magnet synchronous motor. All algorithms, including SOO, Kirchhoff’s Law Algorithm (KLA), Tianji’s Horse Racing Optimization (THRO), Puma Optimizer (PO), and Hiking Optimization Algorithm (HOA), were executed under consistent conditions: a fixed population size of 30, an iteration budget of 200, and 25 independent runs to ensure comparability.
The results are detailed in subsequent subsections, which include statistical analyses, convergence curves, and evaluations of parameter trajectories. These analyses demonstrate the accuracy and robustness of the SOO compared to the other optimization algorithms, highlighting its effectiveness in parameter identification tasks within the tested systems.
Discussion
The discussion highlights advancements in optimization algorithms for chaotic and nonlinear system identification, emphasizing the efficacy of multi-stage search strategies and chaotic mappings in enhancing convergence and robustness. Notably, the Improved Lozi-map Chaotic Optimization Algorithm (ILCOA) demonstrated superior performance over traditional methods like Differential Evolution (DE) and Particle Swarm Optimization (PSO) on benchmark systems such as Lorenz and Chen. Other algorithms, including the Global Flower Pollination Algorithm (GFPA) and Quantum-inspired designs, also showed significant improvements in parameter estimation accuracy, particularly in complex systems like permanent magnet synchronous motors (PMSMs).
The research underscores the importance of standardized evaluation protocols for comparing various metaheuristic approaches, as many existing studies lack consistency in their methodologies, which complicates reproducibility. The Stellar Oscillation Optimizer (SOO) was introduced as a novel approach that not only achieved remarkable accuracy and stability across multiple trials but also established a unified framework for parameter estimation. SOO consistently outperformed other algorithms in terms of convergence speed and robustness, achieving near-zero residual errors in chaotic systems and demonstrating its potential as a reliable tool for both theoretical and practical applications in parameter identification tasks.