کنترل آشوب و سنکرون‌سازی در پیوند جوزفسون با استفاده از کنترل‌کنندۀ پیش‌بین مبتنی بر الگوریتم بهینه‌سازی کلونی مورچگان

پیوند جوزفسون متشکل از دو الکترود ابررسانا است که با یک اتصال ضعیف مانند یک لایۀ عایق نازک به هم متصل شده‌اند. پیوند جوزفسون به‌ازای پارامترهای مشخصی رفتار آشوبناک دارد که این رفتار در کاربردهای فرکانس بالا مطلوب نیست. در این مقاله، یک کنترل‌کنندۀ پیش‌بین مبتنی بر الگوریتم بهینه‌سازی کلونی مورچگان برای کنترل و سنکرون‌سازی پیوند جوزفسون ارائه شده است. در اینجا، از مدل غیرخطی پیوند جوزفسون و نیز از رویکرد سیستم اصلی فرعی برای کنترل و سنکرون‌سازی استفاده شده است. برای این منظور، یک تابع هزینۀ مناسب برای کمینه‌سازی، متشکل از خطای ردیابی و سیگنال کنترل ارائه شده است. مسئلۀ بهینه‌سازی دینامیکی تخمین سیگنال کنترل در افق محدود با استفاده از الگوریتم بهینه‌سازی کلونی مورچگان حل شده است. عملکرد الگوریتم معرفی‌شده برای حالتی بررسی شده است که دو پیوند دارای شرایط اولیه و پارامترهای متفاوتی‌اند. برای بررسی همگرایی الگوریتم کنترل پیشنهادی برای سنکرون‌سازی پیوند شبیه‌سازی مونت‌کارلو انجام شده است. همچنین، آنالیز حساسیت نسبت به تغییرات تعداد مورچه‌ها و تعداد تکرار حلقۀ داخلی الگوریتم انجام شده است. نتایج نشان می‌دهند کنترل‌کننده نسبت به کاهش تعداد تکرار حلقۀ داخلی دارای حساسیت چشمگیری است.

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

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 highfrequency 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.