[发明专利]一种基于水螅虫海龟觅食混合算法的粒子滤波方法

说明书

本发明公开了一种基于水螅虫海龟觅食混合算法的粒子滤波方法，涉及粒子滤波技术领域，本发明所提供的改进的将HA‑STFA的智能寻优机制与PF的重采样相结合，本发明所构建了合理的水螅虫、海龟个体、海龟食物的适应度函数；提出了符合滤波算法特点的水螅虫突变函数和突变概率函数；提出了一种对改进粒子滤波算法最大循环次数的判断方法。本发明所提供的基于水螅虫海龟觅食混合算法的粒子滤波方法，增加滤波精度的同时保证了粒子的多样性，同时可以使用更少的粒子获得更为准确的滤波估计，整体提升了滤波速度。

技术领域

本发明涉及滤波算法技术领域，具体涉及一种基于水螅虫海龟觅食混合算法的粒子滤波方法。

背景技术

粒子滤波(ParticleFilter,PF)是一种将蒙特卡洛思想与贝叶斯滤波相结合的算法，主要思想是采用一些离散的随机采样点近似系统随机变量的概率密度函数，以样本均值代替积分运算从而获得状态的最小方差估计，PF既没有状态函数和观测函数为线性函数的要求，也没有对状态噪声和观测噪声必须为高斯白噪声的限制，因此，PF在非高斯非线性系统中有着广泛的应用。

然而传统PF在使用过程中会出现粒子退化的现象，其表现为随着粒子迭代次数的增加大部分粒子的权重很小后验概率只有几个权值大的粒子代替。虽然采用合理的重采样技术可以解决权值退化的问题，但同时也会带来粒子贫化现象，即高权值粒子被过度复制，有效粒子数减少，导致粒子的整体信息容量降低，最终导致PF的质量下降。同时，由于PF 需要大量的粒子才能得到更为准确的状态估计，因此很难达到滤波质量与滤波速度之间的平衡。针对上述问题，众学者进行了研究，陈世明提出了利用引力场算法改进粒子滤波的重采样利用移动因子和自转因子避免粒子过度集中提升了滤波精度但是牺牲了算法速度左军毅提出自适应不完全重采样粒子滤波，对部分粒子进行重采样，张琪提出基于粒子权重选择较好的粒子用于滤波在一定程度上缓解了样本贫化上述两方法都会抛弃有效粒子且无法从根本上解决粒子贫化问题。

基于群智能算法优化的PF成为一个新的研究方向，很多学者对此进行了深入的研究。朱震曙对鳞虾算法设置新的动态更新策略，同时引入交叉操作将鳞虾算法与粒子滤波算法结合，使粒子滤波有更高的精度和更合理的粒子分布；杨宁通过遗传算法优化出粒子滤波的初始粒子，提升了粒子滤波算法的精度；陈志敏将蝙蝠算法引入到粒子滤波，实现了动态控制全局搜索和局部搜索的相互转换，提高了粒子多样性和滤波精度的同时减少了状态预测需要的粒子；李维刚将加入了莱维飞行的灰狼算法引入到粒子滤波中提升了滤波精度降低了状态估计需要的粒子数。由于群智能优化算法的粒子滤波算法主要思想是利用群智能优化算法引导粒子向高似然区域运动，并不包括对低权值粒子的舍弃，因此可以在提高 PF的精度的同时彻底解决粒子贫化问题保护粒子的多样性，但需要大量粒子才能对非线性系统进行估计的问题仍缺少有效的解决方法，需要进行研究。

水螅虫-海龟觅食混合算法(HA-STFA)是由Tansui和Thammano于2020年提出的智能优化算法。水螅虫-海龟觅食混合算法结合了水螅虫算法(HydrozoanAlgorithm,HA)和海龟觅食算法(SeaTurtleForagingAlgorithm,STFA)的优点。HA-STFA通过模拟水螅虫的增殖和变异，有效扩大了粒子探索空间，基于局部搜索的STFA被运用到HA中，以利用HA发现的探索空间，该混合算法能够在探索和开发之间实现更好的平衡。实验证明HA-STFA算法的智能寻优能力优于遗传算法算法、粒子群算法等智能优化方法。HA-STFA算法作为最新的群体智能优化算法之一，各种研究尚处于起步阶段，尤其是与PF相融合的研究较少。

本发明将HA-STFA的智能寻优机制与PF的重采样相结合，提出了改进HA-STFA的粒子滤波算法，该算法做出的主要贡献为：1.构建合理的水螅虫、海龟个体、海龟食物的适应度函数；2.提出符合滤波算法特点的水螅虫突变函数和突变概率函数；3.提出一种对改进粒子滤波算法最大循环次数的判断方法。提出的改进粒子滤波算法可以有效地探索搜索空间，同时可以准确寻找到粒子的高似然区域，仿真结果表明，该算法在增加滤波精度的同时保证了粒子的多样性，同时可以使用更少的粒子获得更为准确的滤波估计，整体提升了滤波速度。