混沌系统参数识别是混沌控制和同步领域中一个重要且具有挑战性的问题，尤其是在过去的20年里，基于混沌搜索的快速收敛优化算法得到了显著的研究兴趣。混沌系统参数识别的方法通常包括混沌神经网络、混沌模拟退火、混沌禁忌搜索和混沌搜索算法等。这些基于混沌特性的搜索策略已被发现能够在爬山能力和逃离局部最优解方面展现出良好的性能，比随机搜索更为有效。
在混沌系统参数识别的研究领域，已提出多种技术来估计混沌系统的参数。例如，基于集合卡尔曼滤波器的方法由Annan和Hargreaves提出，是一种有效识别混沌系统参数的方法。基于李雅普诺夫函数理论的方法则由Parlitz和Chen等人使用同步化方法来估计混沌系统的参数。在状态观测器理论的基础上，Guan等人引入了一种未知参数观测器方法，用于估计混沌系统的参数。此外，Lü和Zhang以及Li等人使用该方法来控制混沌系统，Gu等人应用线性联想记忆方法来实现参数的估计。
本文介绍了通过构建适当的适应度函数，将混沌系统参数估计问题转换为参数优化问题，并开发了一种名为CAS（混沌蚁群）的优化方法来解决寻找最优解的问题。CAS优化方法是通过蚁群算法的思路，将混沌动态引入到传统的蚁群算法中，从而利用混沌动态的特性和蚁群算法的群智能性来提升优化的效率和效果。蚁群算法是一种模拟自然界蚂蚁觅食行为的优化算法，蚂蚁在寻找食物源的过程中能够在路径上释放信息素，并根据信息素的强度来决定下一步的路径选择。通过这种方式，蚁群算法能够在复杂的问题空间中寻找到最优解。
混沌蚁群优化方法（CAS）借鉴了蚁群算法的这种信息素机制，并结合了混沌动态，来指导搜索过程，从而避免算法过早地陷入局部最优，提升算法的全局搜索能力。这种改进的算法使得在参数优化问题中，尤其是在高维和复杂的搜索空间中，依然能够高效地寻找出全局最优解或者近似最优解。
在文章中，作者通过数值模拟的方法来展示所发展的混沌蚁群优化方法的有效性和可行性。数值模拟不仅验证了算法在不同问题实例中的性能表现，还展示了在不同的参数设置下，算法的鲁棒性和稳定性。
文章中提到的混沌系统参数识别的研究成果，对于混沌控制、混沌同步、通信系统的同步、密码学以及在复杂动态系统中进行预测等许多领域都具有广泛的应用前景。混沌系统参数的准确估计，是实现这些应用的关键步骤，有助于在理论上更好地理解混沌系统的行为，也有助于在工程实践中更有效地利用混沌动态的特性。
