fa همزمان سازی سیستم های آشوبناک مرتبه کسری در حضور نامعینی در مرتبه کسری به کمک کنترل مد لغزشی مبتنی بر شبکه عصبی بازگشتی تصویر کنترل Control پژوهشي Research <span style="font-size:13pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:&quot;Times New Roman&quot;,&quot;serif&quot;"><span style="font-weight:bold"><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">در این مقاله، همزمان</span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal">&shy;</span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">سازی سیستم</span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal">&shy;</span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">های آشوبناک مرتبه کسری لورنز و چن در حضور نامعینی در مرتبه به کمک یک رویکرد کنترل بهینه مقید موردبررسی قرارگرفته است. الگوریتم پیشنهادی متشکل از دو حلقه عملیاتی است، به‌طوری‌که در حلقه داخلی، تخمین لحظه‌ای مرتبه کسری به کمک یک بهینه‌ساز عددی صورت گرفته و در حلقه بیرونی، قوانین کنترلی بر اساس اصول کنترل مد لغزشی مبتنی بر شرط دسترسی نمایی تولید می‌شوند. رهیافت پیشنهادی برای تخمین مرتبه کسری بر مبنای تشکیل معادلات رگرسیون خطی برای معادلات مرتبه کسری لورنز و چن است. شاخص عملکردی با هدف تخمین رگرسیون خطی تعریف‌شده و کران بالا و پایین متغیرهای بهینه‌سازی نیز با توجه به محدوده تغییرات مرتبه کسری تعیین‌شده‌اند. درنتیجه، یک مسئله برنامه‌ریزی مرتبه دو مقید تشکیل‌شده و کمینه‌سازی آن به‌صورت لحظه‌ای توسط شبکه عصبی بازگشتی تصویر صورت می‌گیرد. این بهینه‌ساز با ساختاری ساده و برخورداری از پایداری مجانبی، قادر به تعیین متغیرهای بهینه با نرخ همگرایی بالا است. از تخمین مرتبه کسری برای به‌روزرسانی لحظه‌ای قوانین کنترلی استفاده می‌شود. الگوریتم پیشنهادی از کیفیت عملکرد بالایی در حضور نامعینی در مرتبه کسری به‌ویژه در قیاس با رویکردهای کنترلی مقاوم برخوردار است.</span></span></span></span></span></span></span> <span style="font-size:10pt"><span new="" roman="" style="font-family:" times="">In this paper, the synchronization of fractional-order chaotic Lorenz and Chen systems using a constrained optimal control approach has been investigated. The control algorithm consists of two operative loops where the instant estimation of fractional order using a numerical optimizer is carried out through the inner loop, while the control laws are generated using sliding mode control principles based on exponential reaching conditions. The proposed method to estimate the fractional order is based on forming linear regression for the fractional-order equations of the Lorenz and Chen systems. A performance index is defined to satisfy the reaching conditions where the upper and lower bounds of optimization variables are obtained according to the variation range of fractional order. Therefore, a constrained quadratic programming problem is established where it is instantly minimized using a projection recurrent neural network. This optimizer with a simple structure and having asymptotic stability is able to determine the optimal variables with a high convergence rate. The estimated fractional order is used to update the control signals. The proposed algorithm has high performance in the presence of fractional order uncertainty in comparison with robust control approaches.</span></span><br> &nbsp; سیستم های آشوبناک مرتبه کسری لورنز و چن, همزمان‌سازی, کنترل مد لغزشی, شبکه عصبی بازگشتی تصویر, برنامه‌ریزی مرتبه دو مقید, نامعینی در مرتبه کسری. Fractional-order chaotic Lorenz and Chen systems, synchronization, sliding mode control, projection recurrent neural network, constrained quadratic programming, uncertainty in fractional order 81 90 http://jiaeee.com/browse.php?a_code=A-10-2328-2&slc_lang=fa&sid=1 Abbas Kariminia عباس کریمی نیا Abbas.kariminia@gmail.com 100319475328460012643 100319475328460012643 No Imam Khomeini International University دانشکده مهندسی برق- دانشگاه بین المللی امام خمینی Hasan Zarabadipour حسن حسن زرآبادی پور hzarabadi@eng.ikiu.ac.ir 100319475328460012642 100319475328460012642 Yes Imam Khomeini International University دانشکده مهندسی برق- دانشگاه بین المللی امام خمینی