论文部分内容阅读
摘 要: 粒子群优化粒子滤波方法容易陷入局部最优,针对这一问题,提出一种改进的粒子群优化粒子滤波算法,该算法对惯性权重和位置更新采用模糊控制,增强粒子全局搜索的能力,防止粒子陷入局部最优,提高估计精度。
关键词: 粒子滤波;粒子群优化;模糊控制
中图分类号:TN713 文献标识码:A 文章编号:1671-7597(2011)1210020-01
0 引言
粒子滤波(PF)[1]存在粒子退化和粒子贫乏现象,因此许多学者对粒子滤波算法进行了改进。文献[2]提出用粒子群优化算法优化粒子滤波(PSOPF),可使粒子集朝后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题,但PSOPF易陷入局部最优,即存在早熟收敛问题。
本文提出了一种改进的粒子群优化粒子滤波算法(AFPSOPF),该算法引入了模糊隶属度函数控制惯性权值和粒子的位置更新,从而控制粒子的搜索范围,使粒子自适应地进行全局和局部搜索,克服了粒子群优化粒子滤波易陷入局部最优的缺点。
1 粒子群优化粒子滤波算法
粒子群优化(PSO)算法把每个粒子看作在n维搜索空间中的一个没有重量和体积的微粒,并在搜索空间中以一定的速度飞行,该飞行速度由个体的飞行经验和群体的飞行经验进行动态调整。
为了克服常规粒子滤波存在的缺点,文献[2]将粒子群优化思想引入粒子滤波中以改善采样过程。减轻了粒子退化现象,同时提高了状态预估的精度和算法的收敛性。粒子群优化粒子滤波算法可表述为如下步骤:
Step 1:取得量测值。
式中, 为最新量测值; 为预测量测值; 是量测噪声方差。
Step 2:初始化。在 =0时刻,从重要性函数采样 个粒子,采样得
式(4)中,“ ”为惯性系数,通常 较大则算法具有较强的全局搜索能力, 较小则算法倾向于局部搜索; 表示粒子的第 维;
表示粒子 ;“ ”表示第 代; 、 为加速常数,本文中取
、 为两个独立的随机函数。
权重归一化:
样方法,从而可以避免在每一时刻都进行重采样,提高了算法效率。将原
来的带权样本 映射为等权样本 ,否则不进行重采样,执行下一步。
Step 5:输出。
Step 6:判断是否结束,若是则退出本算法,若否则返回Step2。
虽然把PSO引入粒子滤波在一定程度上改善了粒子滤波的滤波性能,但由于基本的PSO算法本身存在早熟收敛、收敛较慢等问题,会使粒子聚集在次优位置,无法达到最优位置,并不能有效的改善粒子退化与贫化现象。
2 改进的粒子群优化的粒子滤波算法
在粒子群算法的参数中,惯性权重 较大时,可以加大粒子群的搜索范围;反之, 较小时,算法的局部搜索能力增强。若在算法当中,惯性权重保持恒定不变,起不到局部搜索与全局搜索之间的平衡作用。本文采用文献[3]提出的对权重 采用如下隶属度函数进行模糊控制。
其中, 为广义钟形分布的隶属度函数,a、b为参数,分别取6和2。通过 对 控制,首先搜索空间由小到大变化,搜索到一定代数后,搜索空间又由大到小变化,从而可以更灵活地调节全局搜索和局部搜索能力。由式(9)将公式(4)更新为
在标准的PSO算法中,限制了粒子速度的取值范围,但没有限制粒子位置的取值范围。在公式(5)中,当 变化较大时, 的变化也较大,这就导致算法容易陷入局部最优。本文对位置更新进行模糊控制,当迭代次数较低时,隶属度取1,粒子位置改变较大;当迭代次数大于某给定阈值时,粒子的改变放慢,到达一定迭次数又可加快些,这样进行自适应控制可以有效地避免陷入局部最优。对公式(5)采用模糊控制,更改为:
其中, 为 形隶属函数, 、 为常数, 为一给定阈值,与算法的最大迭代次数 相关。
改进的粒子群优化粒子滤波算法可表述为如下步骤:
Step 1:取得量测值。
Step 2:初始化粒子。
Step 3:利用式(3)计算重要性权值。对惯性权重和位置采用模糊控制,利用式(9)对惯性权重进行模糊处理,由式(10)来更新粒子的速度;利用式(11)对粒子的位置进行模糊处理并更新粒子的位置。然后归一化权重。
Step 4:重采样。
Step 5:输出。
Step 6:判断是否结束,若是则退出本算法,若否则返回Step2。
3 仿真实验与结果分析
本文选取单变量非静态增长模型(UNGM模型),仿真对象的过程模型和量测模型如下:
过程模型:
量测模型:
声方差Q=10,取粒子N=100,时间步长为50,仿真50次,算法终止条件设为n=100。仿真50次的平均数据如下表所示:
表1 UNGM模型仿真结果相关数据表
从表1中的数据可以看出,三种算法的估计时间相差不大,但AFPSOPF的均方误差较小,说明在估计时间相差不大的情况下,AFPSOPF有较高的估计精度。
4 结论
本文提出的算法灵活地控制了粒子进行全局搜索和局部搜索的能力,防止粒子陷入局部最优。仿真实验表明,在估计时间相差不大的情况下,新算法有较高的估计精度。
参考文献:
[1]Gordon N J,Salmond D J,Smith A F M.A novel approach to nonlin
ear and non-Ganssian Bayesian state estimation.IEEE Proceeding,1993,
140:107-113.
[2]方正、佟国峰、徐心和,粒子群优化粒子滤波方法[J].控制与决策,2007,22(3):273-277.
[3]周松华、欧阳春娟、刘昌鑫、朱平,自适应模糊的粒子群优化算法[J].计算机工程与应用,2010,46(33).
作者简介:
刘嘉(1976-),女,兰州理工大学讲师,研究方向:智能信息处理,地理信息系统。
关键词: 粒子滤波;粒子群优化;模糊控制
中图分类号:TN713 文献标识码:A 文章编号:1671-7597(2011)1210020-01
0 引言
粒子滤波(PF)[1]存在粒子退化和粒子贫乏现象,因此许多学者对粒子滤波算法进行了改进。文献[2]提出用粒子群优化算法优化粒子滤波(PSOPF),可使粒子集朝后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题,但PSOPF易陷入局部最优,即存在早熟收敛问题。
本文提出了一种改进的粒子群优化粒子滤波算法(AFPSOPF),该算法引入了模糊隶属度函数控制惯性权值和粒子的位置更新,从而控制粒子的搜索范围,使粒子自适应地进行全局和局部搜索,克服了粒子群优化粒子滤波易陷入局部最优的缺点。
1 粒子群优化粒子滤波算法
粒子群优化(PSO)算法把每个粒子看作在n维搜索空间中的一个没有重量和体积的微粒,并在搜索空间中以一定的速度飞行,该飞行速度由个体的飞行经验和群体的飞行经验进行动态调整。
为了克服常规粒子滤波存在的缺点,文献[2]将粒子群优化思想引入粒子滤波中以改善采样过程。减轻了粒子退化现象,同时提高了状态预估的精度和算法的收敛性。粒子群优化粒子滤波算法可表述为如下步骤:
Step 1:取得量测值。
式中, 为最新量测值; 为预测量测值; 是量测噪声方差。
Step 2:初始化。在 =0时刻,从重要性函数采样 个粒子,采样得
式(4)中,“ ”为惯性系数,通常 较大则算法具有较强的全局搜索能力, 较小则算法倾向于局部搜索; 表示粒子的第 维;
表示粒子 ;“ ”表示第 代; 、 为加速常数,本文中取
、 为两个独立的随机函数。
权重归一化:
样方法,从而可以避免在每一时刻都进行重采样,提高了算法效率。将原
来的带权样本 映射为等权样本 ,否则不进行重采样,执行下一步。
Step 5:输出。
Step 6:判断是否结束,若是则退出本算法,若否则返回Step2。
虽然把PSO引入粒子滤波在一定程度上改善了粒子滤波的滤波性能,但由于基本的PSO算法本身存在早熟收敛、收敛较慢等问题,会使粒子聚集在次优位置,无法达到最优位置,并不能有效的改善粒子退化与贫化现象。
2 改进的粒子群优化的粒子滤波算法
在粒子群算法的参数中,惯性权重 较大时,可以加大粒子群的搜索范围;反之, 较小时,算法的局部搜索能力增强。若在算法当中,惯性权重保持恒定不变,起不到局部搜索与全局搜索之间的平衡作用。本文采用文献[3]提出的对权重 采用如下隶属度函数进行模糊控制。
其中, 为广义钟形分布的隶属度函数,a、b为参数,分别取6和2。通过 对 控制,首先搜索空间由小到大变化,搜索到一定代数后,搜索空间又由大到小变化,从而可以更灵活地调节全局搜索和局部搜索能力。由式(9)将公式(4)更新为
在标准的PSO算法中,限制了粒子速度的取值范围,但没有限制粒子位置的取值范围。在公式(5)中,当 变化较大时, 的变化也较大,这就导致算法容易陷入局部最优。本文对位置更新进行模糊控制,当迭代次数较低时,隶属度取1,粒子位置改变较大;当迭代次数大于某给定阈值时,粒子的改变放慢,到达一定迭次数又可加快些,这样进行自适应控制可以有效地避免陷入局部最优。对公式(5)采用模糊控制,更改为:
其中, 为 形隶属函数, 、 为常数, 为一给定阈值,与算法的最大迭代次数 相关。
改进的粒子群优化粒子滤波算法可表述为如下步骤:
Step 1:取得量测值。
Step 2:初始化粒子。
Step 3:利用式(3)计算重要性权值。对惯性权重和位置采用模糊控制,利用式(9)对惯性权重进行模糊处理,由式(10)来更新粒子的速度;利用式(11)对粒子的位置进行模糊处理并更新粒子的位置。然后归一化权重。
Step 4:重采样。
Step 5:输出。
Step 6:判断是否结束,若是则退出本算法,若否则返回Step2。
3 仿真实验与结果分析
本文选取单变量非静态增长模型(UNGM模型),仿真对象的过程模型和量测模型如下:
过程模型:
量测模型:
声方差Q=10,取粒子N=100,时间步长为50,仿真50次,算法终止条件设为n=100。仿真50次的平均数据如下表所示:
表1 UNGM模型仿真结果相关数据表
从表1中的数据可以看出,三种算法的估计时间相差不大,但AFPSOPF的均方误差较小,说明在估计时间相差不大的情况下,AFPSOPF有较高的估计精度。
4 结论
本文提出的算法灵活地控制了粒子进行全局搜索和局部搜索的能力,防止粒子陷入局部最优。仿真实验表明,在估计时间相差不大的情况下,新算法有较高的估计精度。
参考文献:
[1]Gordon N J,Salmond D J,Smith A F M.A novel approach to nonlin
ear and non-Ganssian Bayesian state estimation.IEEE Proceeding,1993,
140:107-113.
[2]方正、佟国峰、徐心和,粒子群优化粒子滤波方法[J].控制与决策,2007,22(3):273-277.
[3]周松华、欧阳春娟、刘昌鑫、朱平,自适应模糊的粒子群优化算法[J].计算机工程与应用,2010,46(33).
作者简介:
刘嘉(1976-),女,兰州理工大学讲师,研究方向:智能信息处理,地理信息系统。