一种混合蛙跳算法优化粒子滤波方法.docVIP

一种混合蛙跳算法优化粒子滤波方法 　　摘要：粒子滤波方法是一种适合于非线性、非高斯系统状态的滤波方法，在目标跟踪等领域有着广泛应用。但传统粒子滤波方法的粒子之间缺乏交互性与合作意识，很可能在寻优过程中陷入局部极值。针对这一问题，提出一种混合蛙跳算法优化的粒子滤波方法。混合蛙跳算法速度快，全局搜索能力强，可以在局部间进行信息传递，使算法跳出局部极值。因此采用混合蛙跳算法优化传统粒子滤波方法，可以构建多种粒子子集的分布体系，把原本不具备智能行为的粒子分别赋予分群、选择、信息交互和进化等机制，使粒子群体表现出智能行为，从而使寻优搜索向着全局最优方向进行。最后采用仿真实验进行比较，优化后的方法在性能上明显优于传统粒子滤波方法，取得了较好效果。 　　关键词：粒子滤波算法 混合蛙跳算法 交互性 　　中图分类号：TP18 文献标识码：A 文章编号：1007-9416（2013）11-0106-04 　　1 引言 　　粒子滤波方法是1993年由Gordon等提出的一种新的基于SIS的非线性滤波方法[1]，其核心思想是用一组称作粒子的加权随机样本来逼近所要估计状态的后验概率密度函数[2]，主要应用于目标跟踪[3-4]，组合导航[5]，金融数据分析[6]，计算机视觉[7]等领域。 　　混合蛙跳算法[8-10]是2003年由Eusuff和Lansey提出的一种新型的后启发式群体智能优化算法，它寻优能力强，参数少，计算速度快，它概念简单，参数少，全局寻优能力强[11]。目前国内外一些学者将混合蛙跳算法广泛应用于模式识别[12]，函数的优化[13-16]，求解有约束优化问题[17]，旅行商问题[18]等领域。 　　本文用混合蛙跳算法优化粒子滤波方法，构建多种粒子子集的分布体系，每个蛙群对应一个范围空间，在此空间中分布粒子子集，每个蛙群的空间就是粒子子集搜索范围，根据蛙群的行为状态，自适应建立粒子的搜索空间，取得了较好的效果。 　　2 粒子滤波算法分析 　　2.1 动态系统模型 　　3 混合蛙跳算法优化的粒子滤波方法 　　3.1 混合蛙跳算法基本原理 　　混合蛙跳算法的实现机理是通过模拟青蛙群体在觅食过程中所体现出来的协同行为来完成对问题的求解。在一定区域内，若干??结构相同的青蛙组成一个种群，每只青蛙被定义为问题的一个解。整个种群又分为不同的子群（称为memeplex），每个子群都有自己的思想，执行局部搜索策略。在每一个memeplex中，每只青蛙也都有自己的思想，同时还受其它青蛙思想的影响，并通过memetic进化来调整位置。经过一定数量的进化后，不同子群体间的青蛙通过跳跃过程来传递信息。这种局部进化和跳跃过程不断相间进行，直到满足收敛的结束条件为止。 　　具体来讲，首先随机初始化一组解来组成初始种群。 　　3.2 混合蛙跳算法优化的粒子滤波方法SFLA-PF 　　混合蛙跳算法最主要的特点[25]是全局信息交换和局部深度搜索策略的平衡操作，这使得算法能够跳出局部极值， 向着全局最优的方向进行。用混合蛙跳算法优化粒子滤波方法，有利于粒子朝着高似然区域移动。即把每一个不具备智能行为的粒子都看作觅食过程中的青蛙，在进化、跳跃的过程中将粒子赋予智能的行为，使其能够分子群进化，对最优解、最差解可以进行选择和淘汰，粒子之间具有交互性，可以进行信息传递，从而使进化过程在不断自我修正的基础上进行。 　　具体来讲： 　　（1）分群机制 　　执行分群操作，将N个粒子分为m群。将粒子按照适应度值降序排列，第一个粒子进入第一个子群，第二个粒子进入第二个子群，一直分配下去，直到第m个粒子进入第m个子群。随后，第m+1个粒子又进入第一个子群，第m+2个粒子进入第二个子群……如此循环分配下去。 　　（2）选择机制 　　记录全局最优个体。 　　记录每一个子群中的局部最优解和局部最差解。 　　（3）信息交互机制 　　根据最优解的信息来调整最差解的位置。调整之后，如果能够产生一个更好的解， 那么就用新的解取代原来的解，否则，用代替， 执行操作f （，），若能产生一个更好的解， 则取代原来的解，否则，随机生成一个新解取代原来的最差解。 　　（4）进化机制 　　为了比较算法的性能，本文中的实验均采用以上相同的非线性仿真实例。 　　采用50次蒙特卡罗仿真，取PF、SLFA-PF算法的粒子数N=90， 其中混合蛙跳算法参数种群数M=3，每个memeplex中允许的最大进化次数L=30。仿真结果如（图4）所示。其中X轴数据（time step）表示蒙特卡洛仿真次数，Y轴数据（state）分别表示真实状态和两种方法的估计状态。 　　如（图4）和（表1）所示，在粒子数N=90的情况下，混合蛙跳算法优化的粒子滤波方法（SFLA-PF）在算法性能上