كنترل آشوب و سنكرون‌سازي در پيوند جوزفسون با استفاده از كنترل‌كنندۀ پيش‌بين مبتني بر الگوريتم بهينه‌سازي كلوني مورچگان

Chaos Synchronization in Josephson Junction Using Model Predictive Controller Based on Ant Colony Optimization Algorithm

پيوند جوزفسون متشكل از دو الكترود ابررسانا است كه با يك اتصال ضعيف مانند يك لايۀ عايق نازك به هم متصل شده‌اند. پيوند جوزفسون به‌ازاي پارامترهاي مشخصي رفتار آشوبناك دارد كه اين رفتار در كاربردهاي فركانس بالا مطلوب نيست. در اين مقاله، يك كنترل‌كنندۀ پيش‌بين مبتني بر الگوريتم بهينه‌سازي كلوني مورچگان براي كنترل و سنكرون‌سازي پيوند جوزفسون ارائه شده است. در اينجا، از مدل غيرخطي پيوند جوزفسون و نيز از رويكرد سيستم اصلي - فرعي براي كنترل و سنكرون‌سازي استفاده شده است. براي اين منظور، يك تابع هزينۀ مناسب براي كمينه‌سازي، متشكل از خطاي رديابي و سيگنال كنترل ارائه شده است. مسئلۀ بهينه‌سازي ديناميكي تخمين سيگنال كنترل در افق محدود با استفاده از الگوريتم بهينه‌سازي كلوني مورچگان حل شده است. عملكرد الگوريتم معرفي‌شده براي حالتي بررسي شده است كه دو پيوند داراي شرايط اوليه و پارامترهاي متفاوتي‌اند. براي بررسي همگرايي الگوريتم كنترل پيشنهادي براي سنكرون‌سازي پيوند شبيه‌سازي مونت‌كارلو انجام شده است. همچنين، آناليز حساسيت نسبت به تغييرات تعداد مورچه‌ها و تعداد تكرار حلقۀ داخلي الگوريتم انجام شده است. نتايج نشان مي‌دهند كنترل‌كننده نسبت به كاهش تعداد تكرار حلقۀ داخلي داراي حساسيت چشمگيري است.

The Josephson junction is a device consisting of two superconducting electrodes connected by a weak junction such as a thin insulation coating. The Josephson junction has chaotic behavior parameters not desirable in high-frequency applications. In this paper, a model predictive control approach based on an ant colony optimization algorithm is proposed to synchronize two Josephson junction models with different parameters. Here, the Josephson junction is described with a nonlinear model, and the synchronization is obtained using the slave–master technique. For this purpose, an appropriate objective function is defined to assess the particles within the state space. This objective function minimizes simultaneously the tracking error, control effort, and control smoothness. The dynamic optimization problem is solved using an ant colony optimization algorithm. Numerical simulations are conducted to assess the efficiency of the proposed algorithm. Also, a Monte Carlo evaluation is achieved to compute the statistic performance of the suggested controller. In addition, sensitivity analysis to changes in the number of ants and the number of iteration of the inner loop of the algorithm was performed. The results show that the controller is significantly sensitive to reducing the number of iteration of the inner loop.