Die fraktionale Analysis wird als effektives Werkzeug angesehen, um Systeme mit Gedächtniseffekten oder historischen Effekten tiefgehend zu verstehen. Die fraktionale Modellierung nichtlinearer Systeme kann die Steifigkeit und Komplexität des Systems erhöhen, bietet aber auch bessere Einblicke. Dieser Artikel stellt eine Parameterschätzung für das auf Schwarmintelligenz basierende fraktionale Hammerstein-Autoregessive Externe-Rausch-Modell (fractional-HARX) vor. Die Grünwald–Letnikov-Finite-Differenzen-Formel wird verwendet, um das fraktionale HARX-Modell auf Basis des Standard-HARX-Modells zu erstellen. Für das Problem der Parameterschätzung von nichtlinearen polynomialen Modellen zweiten und dritten Grades unter Mehrfachrauschszenarien wird ein Entwurf basierend auf dem Schwarmintelligenz-basierten Elektroaal-Fütterungs-Optimierungsalgorithmus (EEFOA) vorgeschlagen. Das Systemmodell integriert das Prinzip der Trennung von Schlüsselausdrücken, um redundante Parameter zu reduzieren, die durch Kreuzglieder im Informationsvektor verursacht werden. Die Wirksamkeit der entworfenen Methode wird durch den Vergleich mit fortschrittlichen heuristischen Optimierungsmethoden wie Wal-Optimierung, Afrikanischen Kahlgeier-Optimierung, Harris-Adler-Optimierer und Reptiliensuchalgorithmus überprüft und zeigt die Überlegenheit von EEFOA in Bezug auf Konvergenz, Robustheit, Steifigkeitsparameterabschätzung und mittlere Verzerrung. Durch statistische Indikatoren unter Mehrfachrauschszenarien wie beste, durchschnittliche, schlechteste Anpassungswerte und Standardabweichung wird die statistische Signifikanz von EEFOA bei der Parameterschätzung des fraktionalen HARX-Modells weiter bestätigt.

fraktionale Analysis; nichtlineare Systeme; Elektroaal-Suche; intelligente Berechnung