劉淑波　張園　龔麗

摘要：本文針對(duì)粒子濾波算法的退化及重采樣使得樣本枯竭問題，從進(jìn)化類優(yōu)化算法、群智能算法和人工神經(jīng)網(wǎng)絡(luò)三種智能優(yōu)化算法入手，研究了各智能優(yōu)化算法融入基本的粒子濾波算法的文獻(xiàn)，旨在改善基本的粒子濾波算法的精度，為研究其它的智能優(yōu)化粒子濾波算法打下理論基礎(chǔ)。

關(guān)鍵詞：智能優(yōu)化算法；粒子濾波；退化；重采樣

中圖分類號(hào)：TN713 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）01-0138-02

0 引言

濾波的先決條件是給系統(tǒng)建立數(shù)學(xué)模型，包括狀態(tài)方程和觀測方程。通常系統(tǒng)模型具有復(fù)雜的非線性和非高斯分布的特性。通常，適用于非線性系統(tǒng)的濾波方法中只有粒子濾波適用于非高斯系統(tǒng)的的濾波問題[1]。

但是基本粒子濾波隨著濾波時(shí)間的增加避免不了會(huì)出現(xiàn)大量計(jì)算浪費(fèi)在對(duì)估計(jì)不起任何作用的微小粒子上，為了解決這種問題，引入重采樣來去除那些權(quán)值小的粒子，保留并復(fù)制那些權(quán)值較大的粒子[2]。重采樣帶來的負(fù)面作用是具有較大權(quán)值的粒子被多次選取，從而損失了粒子的多樣性。

針對(duì)粒子濾波算法的退化及重采樣使得樣本枯竭問題，利用智能優(yōu)化算法代替重采樣過程，旨在改善非線性濾波的濾波精度，本文基于此，梳理了相關(guān)文獻(xiàn)，研究了智能優(yōu)化粒子濾波算法綜述。

1 進(jìn)化類算法優(yōu)化粒子濾波算法

進(jìn)化類優(yōu)化算法主要包含遺傳算法和免疫算法，而進(jìn)化類算法優(yōu)化粒子濾波算法也是主要圍繞這兩種優(yōu)化算法的。

文獻(xiàn)[3]應(yīng)用遺傳算法的進(jìn)化思想來優(yōu)化重采樣算法，將粒子權(quán)值作為適應(yīng)度值，合理設(shè)定閾值，利用最佳個(gè)體保存法保存高適應(yīng)度粒子，利用自適應(yīng)交叉、變異操作對(duì)低適應(yīng)度粒子進(jìn)行進(jìn)化，將高適應(yīng)度粒子與進(jìn)化粒子組合成新的粒子集進(jìn)行狀態(tài)估計(jì)。

文獻(xiàn)[4]針對(duì)經(jīng)典PF算法存在的權(quán)值退化問題，PF算法中融入人工免疫算法，依據(jù)粒子權(quán)值的大小對(duì)采樣的粒子進(jìn)行變異處理，然后搜索最優(yōu)粒子，迫使粒子集合向真實(shí)后驗(yàn)分布概率較高的區(qū)域移動(dòng)，從而間接地使取樣粒子的建議分布函數(shù)和真實(shí)后驗(yàn)分布相似。

2 群智能算法優(yōu)化粒子濾波算法

群智能優(yōu)化算法是受社會(huì)昆蟲（螞蟻、蜜蜂等）和群居脊椎動(dòng)物（鳥群、魚群和獸群等）的啟發(fā)而出現(xiàn)的優(yōu)化算法。

文獻(xiàn)[5]針對(duì)粒子濾波算法權(quán)值退化和多樣性匱乏造成的濾波精度下降問題，提出了權(quán)值抖動(dòng)螢火蟲算法和不完全重采樣結(jié)合的方法來改進(jìn)粒子濾波。

文獻(xiàn)[6]提出一種基于果蠅優(yōu)化思想的粒子濾波算法。該方法將粒子權(quán)值作為個(gè)體適應(yīng)度值，并將果蠅不斷從低濃度的地方飛向高濃度的地方的覓食尋優(yōu)過程引入到粒子濾波當(dāng)中，驅(qū)使粒子不斷向高似然區(qū)域移動(dòng)，提高了粒子群的整體質(zhì)量。

文獻(xiàn)[7]針對(duì)標(biāo)準(zhǔn)粒子濾波采用次優(yōu)的重要性函數(shù)而導(dǎo)致的粒子退化問題，提出一種基于蝴蝶優(yōu)化的改進(jìn)粒子濾波算法。通過蝴蝶算法優(yōu)化粒子濾波的重要性采樣過程，使得遠(yuǎn)離真實(shí)狀態(tài)的粒子向真實(shí)狀態(tài)可能性較大的區(qū)域移動(dòng)。

文獻(xiàn)[8]針對(duì)現(xiàn)有無線傳感器網(wǎng)絡(luò)目標(biāo)跟蹤算法中粒子濾波存在的粒子退化和樣本貧化缺陷，在重采樣階段引入人工魚群算法優(yōu)化粒子分布狀況，使粒子更貼近真實(shí)值，增加了有效粒子數(shù)目，使粒子多樣性得到增強(qiáng)，改善了粒子貧化問題。

文獻(xiàn)[9]提出基于鴿群優(yōu)化思想改進(jìn)的粒子濾波算法。將鴿群不斷從較遠(yuǎn)位置飛向適應(yīng)度值高的地方的歸巢過程引入到粒子濾波中，驅(qū)使粒子不斷向高似然區(qū)域移動(dòng)。

文獻(xiàn)[10]針對(duì)標(biāo)準(zhǔn)粒子濾波重采樣過程中對(duì)粒子的直接刪除會(huì)導(dǎo)致粒子貧化，并且綜合性價(jià)比不高的問題，提出了用蝙蝠算法優(yōu)化粒子濾波的機(jī)動(dòng)目標(biāo)跟蹤方法。該方法使粒子向高似然區(qū)域移動(dòng)。

文獻(xiàn)[11]提出基于布谷鳥算法優(yōu)化的粒子濾波。為保證粒子多樣性，當(dāng)均勻分布的隨機(jī)數(shù)大于閾值時(shí)，利用改進(jìn)的鳥窩尋優(yōu)方法更新粒子位置，部分粒子向高似然區(qū)移動(dòng)，部分在低似然區(qū)。

3 人工神經(jīng)網(wǎng)絡(luò)優(yōu)化粒子濾波算法

在人工神經(jīng)網(wǎng)絡(luò)的各種算法中，BP算法是一種最常用的算法。文獻(xiàn)[12]提出一種基于BP神經(jīng)網(wǎng)絡(luò)的粒子濾波算法，調(diào)整較小權(quán)值的粒子，分裂較大權(quán)值的粒子，從而提高跟蹤精度。

4 結(jié)語

本算法綜述旨在改善非線性濾波的濾波精度，解決粒子濾波算法的退化及重采樣使得樣本多樣性消失問題，為研究其它的智能優(yōu)化算法優(yōu)化粒子濾波算法打下理論基礎(chǔ)。

參考文獻(xiàn)

[1] 周鳳岐，盧曉東.最優(yōu)估計(jì)理論[M].北京：高等教育出版社，2009.

[2] 朱志宇.粒子濾波算法及其應(yīng)用[M].北京：科學(xué)出版社，2010.

[3] 杜正聰，鄧尋.基于自適應(yīng)遺傳算法的粒子濾波器[J].成都理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，44（5）：636-640.

[4] 齊永磊，陳西宏，謝澤東.基于人工免疫粒子濾波算法的MIMO-SCFDE系統(tǒng)信道估計(jì)方法[J].探測與控制學(xué)報(bào)，2018，40（5）：82-87.

[5] 曹潔，荊銀銀，王進(jìn)花.基于改進(jìn)的螢火蟲算法優(yōu)化粒子濾波方法[J].蘭州理工大學(xué)學(xué)報(bào)，2018，44（4）：84-89.

[6] 韓錕，張赫.基于果蠅優(yōu)化算法改進(jìn)的粒子濾波及其在目標(biāo)跟蹤中的應(yīng)用[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，45（10）：130-138.

[7] 劉云濤.基于蝴蝶優(yōu)化的粒子濾波算法[J].信息技術(shù)與網(wǎng)絡(luò)安全，2018，37（7）：37-41.

[8] 鄔春明，宮皓泉，王艷嬌等.基于改進(jìn)粒子濾波的無線傳感器網(wǎng)絡(luò)目標(biāo)跟蹤算法[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，37（5）：82-87.

[9] 韓錕，張赫.基于鴿群優(yōu)化改進(jìn)的粒子濾波算法[J].傳感器與微系統(tǒng)，2018，37（11）：139-142.

[10] 陳志敏，吳盤龍，薄煜明等.基于自控蝙蝠算法智能優(yōu)化粒子濾波的機(jī)動(dòng)目標(biāo)跟蹤方法[J].電子學(xué)報(bào)，2018，46（4）：886-894.

[11] 白曉波，邵景峰，和征.基于布谷鳥算法優(yōu)化的粒子濾波[J].計(jì)算機(jī)工程與設(shè)計(jì)，2018，39（11）：3401-3407.

[12] 謝世龍，周玉國，劉真.一種基于神經(jīng)網(wǎng)絡(luò)的粒子濾波算法設(shè)計(jì)[J].自動(dòng)化技術(shù)與應(yīng)用，2017，36（11）：1-4.

Abstract：Aiming at the problem of the degradation and sample exhaustion caused by and resampling of particle filtering algorithm， this paper studies the literature on the integration of the intelligent optimization algorithms into the basic particle filtering algorithm from evolutionary optimization algorithm， swarm intelligence algorithm and artificial neural network， aiming at improving the accuracy of the basic particle filtering algorithm and laying a theoretical foundation for other intelligent optimization particle filtering algorithms.

Key words：intelligent optimization algorithm； particle filtering； degradation； resampling