一种改进的自适应优化粒子滤波算法研究

粒子滤波算法在非线性滤波领域受到广泛关注,但是该算法存在样本退化问题.为了改进粒子滤波算法的性能,这里结合自适应优化机制对粒子滤波算法的建议分布选择机制及重采样技术进行改进.对于粒子滤波的建议分布选择,提出一种基于自适应退火参数优化的混合建议分布方法.通过混合建议分布不足的分析,利用退火参数来优化控制状态转移先验分布函数和观测似然函数之间的比例,同时,基于自适应参数优化机制来动态调整退火参数的值.对于粒子滤波的重采样,提出了基于部分分层重采样优化算法的自适应重采样技术.通过有效样本大小的评估来执行自适应重采样策略,此外,基于部分分层重采样算法,利用权重优化的思想对其重采样前后权重计算的方法进行优化.通过相关算法的性能比较,所提改进粒子滤波算法的有效性得以验证.     

基于Lévy飞行的差分乌鸦算法求解折扣{0-1}背包问题

针对大规模的折扣{0-1}背包问题（D{0-1}KP）难以用确定性算法求解的问题,提出了基于Lévy飞行的差分乌鸦算法（LDECSA）。首先,利用混合编码解决D{0-1}KP的第二数学模型的编码问题;其次,利用新的贪心修复与优化算法（NROA）处理求解过程中产生的不可行解;然后,针对乌鸦个体过早陷入局部最优和收敛较慢等缺陷,引入Lévy飞行和差分策略;最后,通过实验确定了感知概率和飞行长度的合理取值以及差分策略的选择。对四类大规模D{0-1}KP实例的计算结果表明：LDECSA非常适合求解大规模D{0-1}KP,能得到满意的近似解。     

基于骑手优化的动态布谷鸟搜索算法

针对传统布谷鸟搜索算法（cuckoo search,CS）对复杂问题收敛精度低、迭代步幅局限性大的特点,提出了基于骑手优化的动态布谷鸟搜索策略（rider optimization cuckoo search,ROCS）。结合骑手优化算法（rider optimization algorithm,ROA）思想,利用多种群在单周期内进行多策略寻优,动态使用最优策略进行加强搜索,提高算法对复杂问题的收敛效率;同时对Lévy飞行运动进行动态参数调节,改善算法搜索前期及末期表现。仿真测试结果显示,改进算法对复杂问题的优化表现优于比对算法,算法寻优效率得到显著改善。     

基于Lévy变异的微粒群算法

微粒群算法因其实现简单及优化效果较好而得到广泛应用,但也存在易早熟和局部收敛的缺点;结合Lévy飞行的特性,提出了一种新的带Lévy变异的微粒群算法,并对其收敛性进行分析,指出该算法依概率收敛于全局最优解.通过对8个标准测试函数的仿真实验,结果表明改进算法中的Lévy变异能够利用粒子的当前知识并增加群体的多样性,从而能够更有效地平衡局部搜索和全局搜索,使其具有更好的性能,最后对改进算法的各参数设置进行了探讨分析.     

粒子滤波算法改进策略研究*

为了改进粒子滤波算法的性能,这里研究了一种粒子滤波算法改进策略。该粒子滤波算法改进策略包括四部分:首先,采用了结合退火参数的混合建议分布,以考虑当前观测测量值的最新信息;接着,基于有效样本大小确定自适应重采样的阈值,以保证有合适的重采样次数;然后,基于权重优化思想提出了一种改进的部分系统重采样算法,在利用算法执行速度快的同时优化部分系统重采样算法;最后,在重采样后执行粒子变异操作,以保证样本的多样性。通过仿真实验,粒子滤波改进策略的性能和有效性均得以验证。     

基于Lévy分布的不平衡数据过采样方法

针对不平衡数据集上的分类问题，提出了基于Lévy分布的过采样方法，其核心思想是根据初始数据集的分布，利用Lévy分布构造新样本的密度分布。基于Lévy分布的特性，使得从边界样本合成的新样本密度最大，靠近多数类的样本合成的新样本密度次之，靠近少数类的样本合成的新样本密度最小。因此，该算法可以增强分类边界，同时可以减小噪声生成。通过在多个数据集上的实验，表明所提算法可以有效改善不平衡数据的分类效果。     

鲸鱼优化算法研究综述

鲸鱼优化算法是一种受座头鲸的狩猎行为启发所提出的新型群体智能优化算法,其性能远超传统算法。为了跟踪最新研究成果、促进群体智能优化算法领域的研究,首先介绍了鲸鱼优化算法的基本原理,简述了其实现步骤,并对比分析了其性能特点。针对其收敛速度慢、收敛精度低等缺点,总结分析了融入其他智能优化算法、Lévy飞行策略、混沌策略等改进方式及其优势与局限;接着阐述了其在组合优化、图像分割、数据预测等方面的应用及取得的效果。最后,对未来发展趋势进行总结与展望。     

一种基于IMM的自适应目标跟踪算法研究

对目标进行自适应跟踪是节约雷达资源的途径之一.以相控阵雷达为基础研究了一种目标自适应跟踪算法.介绍了传统连续情况下的周期采样方法,通过设定上、下界来限制算法中采样周期的变化.并在连续采样的基础上给出一种改进的离散采样算法,改进算法通过比较滤波残差和量测误差设定一组离散采样值,计算量减小,跟踪误差降低.基于IMM对两种自适应采样算法以及固定周期采样算法进行Monte Carlo仿真对比,仿真结果表明两种自适应采样算法均大大降低了采样宰,改进的离散自适应采样算法跟踪性能相对较好.     

变异蝙蝠算法求解折扣{0-1}背包问题

针对确定性算法难于求解规模大、数据范围广的折扣{0-1}背包问题（D{0-1}KP）,提出了基于蝙蝠算法的快速求解D{0-1}KP的变异蝙蝠算法（MDBBA）。首先,利用双重编码解决D{0-1}KP的编码问题;其次,将贪心修复与优化算法（GROA）应用于蝙蝠个体适应度计算中,使算法快速得到有效解;然后,选择使用差分演化（DE）的变异策略提高算法的全局寻优能力;最后,蝙蝠个体按一定概率进行Lévy飞行,增强算法探索能力和跳出局部极值的能力。对四类大规模实例的仿真计算表明：MDBBA非常适于求解大规模的D{0-1}KP,比第一遗传算法（FirEGA）和双重编码蝙蝠算法（DBBA）求得的最优值和平均值都更优,MDBBA收敛速度明显快于DBBA。     

基于Lévy飞行特征的蝙蝠算法及其在WSN定位中的应用

针对蝙蝠算法收敛易早熟、收敛速度慢等不足,提出一种改进的基于Lévy飞行特征自适应的蝙蝠算法。采用Lévy飞行策略取代原算法中蝙蝠飞行速度和位置的更新方式,充分利用Lévy飞行的重尾效应,有效避免局部最优值的吸引,加快了收敛速度,达到寻优能力和搜索能力的平衡。在无线传感器网络自身定位应用中,把定位问题转换为一个全局优化问题,使用改进的算法进行定位计算。通过Zigbee平台的实验表明,改进后的算法在不同空间位置的定位精度更高,收敛速度更快。算法实现条件简单、精度高,具有较高的实际工程应用价值。     

基于多样性向导的自适应重采样粒子滤波研究

由于在非线性非高斯系统和多模处理能力上的优越性,粒子滤波算法已经被广泛应用。针对粒子滤波算法现有缺陷分析,提出一种基于多样性向导的自适应重采样粒子滤波。首先,基于多样性向导自适应调整重采样阈值。在基于有效样本大小的自适应重采样技术之上,借助了另一多样性测度即种群多样性因子来自适应地调整有效样本大小的阈值;而且,在重采样之后引入样本变异操作来确保样本的多样性。然后,提出了一种改进的部分分层重采样算法。该算法借鉴部分分层重采样执行快、时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算。最后,通过仿真实验验证了所提粒子滤波算法的性能和有效性。     

改进布谷鸟算法求解双资源约束柔性车间调度问题

针对双资源约束的柔性车间调度问题（DRCFJSP）,以优化最大完工时间为目标,设计出一种具有改进解码方案的布谷鸟算法对其进行求解。由于DRCFJSP除了需要考虑机器的分配,还需要兼顾工人的加工情况,所以改进了传统解码方式以避免机器和工人在加工时间上的冲突,同时在解码时尽可能利用机器和工人的空闲时间。在布谷鸟算法核心框架下,将布谷鸟种群随机划分为三个子群,每个子群采用不同Lévy飞行方式独立进行寻优,并通过差分算子实现子群间信息交流,不仅增强了算法的全局搜索能力也平衡了算法的局部搜索能力。最后通过基准测试算例进行实验仿真分析并与其他算法进行对比,验证了改进布谷鸟算法和改进解码方法的有效性优越性。     

基于正交差分演化无迹卡尔曼滤波的短时交通流量预测算法

针对复杂交通路段下的短时交通流量模型的参数估计问题,建立了基于宏观交通流量预测的状态空间模型,提出了基于正交自适应差分演化的无迹卡尔曼滤波(UKF)算法,解决交通流量预测动态模型的参数优化问题.对差分演化算法(DE)的初始化过程,使用基于正交设计和量化技术的交叉算子最大限度地提高种群的多样性,平衡差分演化算法的开采性和勘探性,更高效地搜索无迹卡尔曼滤波的模型参数.并针对UKF、DE的不同情况,分别采用不同的自适应策略提高调节算法性能.实验结果表明,相对于单独使用随机分布的方式初始化,或者根据经验设置模型参数的方法,使用正交设计方法的初始化策略、变异算子以及参数自适应控制策略的差分演化算法能够有效地节省计算资源,提升预测性能和精度,具有更高的鲁棒性.     

基于线性动态系统的视频压缩感知自适应改进

线性动态系统的视频压缩感知(CS-LDS)是指从随机采样数据中直接估计出模型参数,然而对所有视频帧采取同样的采样方式,使得采样数据存在一定的时间冗余.针对这一问题,结合自适应压缩采样技术提出了一种自适应的改进算法.首先,对视频信号建立线性动态系统(LDS)模型;然后,通过自适应压缩采样方法得到视频信号的采样数据;最后,通过采样数据估计出系统模型参数,实现视频信号的重构.实验结果表明,在不影响视频重构质量的条件下,所提方法相对于CS-LDS算法,不仅能够节省统一测量过程中20%~40%的采样数据,而且平均每帧能够节省0.1~0.3 s的运行时间.改进后的算法降低了采样数目与算法运行时间.     

基于均衡池和莱维飞行的饥饿游戏搜索算法

针对饥饿游戏搜索算法（hunger games search,HGS）存在收敛速度慢和易陷入局部最优等缺点,提出了一种基于均衡池和莱维飞行的饥饿游戏搜索算法（equilibrium Lévy hunger games search,ELHGS）。该算法首先利用tent映射产生更具多样性的初始种群;受到平衡优化器算法（EO）的启发,提出一种基于动态均衡池收敛的更新公式,其动态调整的更新策略使算法的全局搜索能力增强;为了进一步增强算法跳出局部最优的能力,在一定条件下对种群实施基于莱维飞行的变异操作。对23个基准函数进行仿真实验,结果显示与原始HGS算法相比,ELHGS求解精度更高、收敛更为迅速,在高维度多峰函数问题上效果最为显著。     

基于MCMC的改进粒子滤波算法

针对传统粒子滤波算法建议分布函数的选取问题和粒子退化现象,提出一种基于马尔可夫蒙特卡洛思想的改进粒子滤波算法.使用基于比例对称采样方法选取Sigma点的无迹卡尔曼滤波,产生粒子滤波并建议分布函数;将似然分布自适应权值调整策略应用于权值选取步骤;采用系统重采样方法,加入了用来保持粒子多样性的马尔科夫链蒙特卡洛步骤.仿真结果表明,该算法的估计状态能够更好地吻合真实轨迹,在非线性、非高斯场合的估计性能较优.     

基于自适应多提议分布粒子滤波的蒙特卡洛定位算法

针对基于Cubature粒子滤波的蒙特卡罗定位（CMCL）算法存在的计算量大、实时处理能力较差的问题,提出一种基于自适应多提议分布粒子滤波的蒙特卡罗定位（AMPD-MCL）算法。该算法利用Cubature卡尔曼滤波和扩展卡尔曼滤波改进提议分布,融入当前观测信息,减弱粒子退化现象;重采样部分采用Kullback-Leibler距离（KLD）采样,根据粒子在状态空间的分布状况,在线调整下一次滤波迭代所需粒子数,从而减小计算量。仿真实验验证了自适应多提议分布粒子滤波（AMPD-PF）的有效性;同时在机器人操作系统（ROS）上进行实验,结果表明改进算法的平均定位精度达到19.891cm,定位所需粒子数稳定在60,定位时间为45.543s,较CMCL算法在定位精度上提高了71.03%,时间缩短了63.10%。实验结果表明,AMPD-MCL算法减小了定位误差,能实时在线调整粒子数,有效减少了算法计算量,提高了实时处理能力。     

双层规划的改进混合布谷鸟搜索量子行为粒子群优化算法

为解决粒子群优化（PSO）算法求解双层规划问题时易陷入局部最优解的问题,提出了一种基于模拟退火（SA）Metropolis准则的改进混合布谷鸟搜索量子行为粒子群优化（ICSQPSO）算法。首先,该混合算法引入SA算法中的Metropolis准则,在求解过程中既能接受好解也能以一定的概率接受坏解,增强全局寻优能力;接着,为布谷鸟搜索算法设计一种改进动态步长Lévy飞行,以保持粒子群在优化过程中较高的多样性,保证搜索广度;最后,利用布谷鸟搜索算法中的偏好随机游走机制帮助粒子跳出局部最优解。通过对13个涵盖非线性规划、分式规划、多个下层规划的双层规划实例的数值实验,结果表明：ICSQPSO算法所得12个双层规划的目标函数最优值显著优于对比算法,只有1例的结果稍差,并且有半数实例的结果优于对比算法50%。由此可见,ICSQPSO算法对双层规划的寻优能力明显优于对比算法。     

基于差分演化的自适应参数控制蚁群算法

蚁群算法存在对参数的依赖、早熟和停滞等缺点但具有与其他算法容易结合的特点,据此,将差分演化算法应用到蚁群算法的参数选取中,提出一种改进的蚁群算法。将蚁群算法的参数作为差分演化算法解空间的向量元素,在自适应地寻找蚁群算法最优参数组合的同时求解问题的最优解。改进算法对蚁群算法中的参数进行自适应调整,可避免大量盲目的测试,扩大蚁群算法的搜索空间,提高全局搜索能力。在典型的旅行商问题上进行对比实验,结果验证了改进算法的优化性能高于传统的蚁群算法。     

一种自适应确定性采样滤波方法

对确定性采样滤波方法进行了改进,提出了一种自适心确定性采样滤波方法.首先,分别推导得到了平稳噪声情况下递推形式的噪声统计参数估计算法,以及三种针对非平稳噪声统计参数的估计算法;然后,将所得到的噪声统计参数估计算法与确定性采样滤波方法相结合,得到自适应确定性采样滤波算法.仿真结果表明,当时变过程噪声统计参数未知时,利用本文所提出的自适应确定性采样滤波估计算法,仍然可以得到精度较高的估计结果.