基于混合引导策略的高精度萤火虫优化粒子滤波算法

doi:10.16183/j.cnki.jsjtu.2019.02.015

摘要/Abstract

摘要： 针对现有群智能优化粒子滤波算法精度较低和收敛速度较慢的问题，提出了一种基于混合引导策略的萤火虫优化粒子滤波算法(MSFA-PF).通过在萤火虫寻优过程中加入混沌扰动搜索策略，以权衡粒子的寻优能力与开发能力；提出一种动态视觉搜索策略，以提高粒子向高似然区域移动的寻优利用率；根据粒子滤波机制设计了新的荧光亮度计算公式，以扩展观测信息，从而提高了粒子质量.仿真结果表明，所提出的MSFA-PF算法能够有效提高智能优化粒子滤波对非线性系统状态估计的精度和速度.

关键词: 粒子滤波, 萤火虫算法, 混沌扰动, 动态视觉, 搜索策略

Abstract: Aiming at the problem of the low precision and slow convergence rate of particle filters based on intelligent optimization algorithms, this paper came up with a firefly algorithm with mixed strategy optimized particle filter. The algorithm is applied to the chaotic perturbation search strategy in the firefly optimization mechanism for balancing the particle optimization ability effectively, and proposed dynamic visual search strategy to improve the utilization ratio of particles moving toward high likelihood regions. At the same time, according to the particle filter mechanism, a new fluorescence luminance formula is designed to expand the observation information for improving the particles quality. Experiment results show that the proposed algorithm effectively improves the accuracy and speed of the intelligent optimization particle filter for nonlinear system state estimation.

Key words: particle filter, firefly algorithm, chaotic perturbation, dynamic visual, search strategy

中图分类号:

TP 183

毕晓君，胡菘益. 基于混合引导策略的高精度萤火虫优化粒子滤波算法[J]. 上海交通大学学报（自然版）, 2019, 53(2): 232-238.

BI Xiaojun,HU Songyi. Firefly Algorithm with High Precision Mixed Strategy Optimized Particle Filter[J]. Journal of Shanghai Jiaotong University, 2019, 53(2): 232-238.

参考文献［14］

［1］	NIKNEJAD H T, TAKEUCHI A, MITA S, et al. On-road multivehicle tracking using deformable object model and particle filter with improved likelihood estimation［J］. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(2): 748-758.
［2］	李天成, 范红旗, 孙树栋. 粒子滤波理论、方法及其在多目标跟踪中的应用［J］. 自动化学报, 2015, 41(12): 1981-2002.
	LI Tiancheng, FAN Hongqi, SUN Shudong. Particle filtering: Theory, approach, and application for multitarget tracking［J］. Acta Automatica Sinica, 2015, 41(12): 1981-2002.
［3］	LI T C, SATTAR T P, HAN Q, et al. Roughening methods to prevent sample impoverishment in the particle PHD filter［C］//Proceedings of the 16th International Conference on Information Fusion. Istanbul, Turkey: IEEE, 2013: 77-22.
［4］	王伟, 余玉揆. 多点测试的多模型机动目标跟踪算法［J］. 自动化学报, 2015, 41(6): 1201-1212.
	WANG Wei, YU Yukui. Multi-try and multi-model particle filter for maneuvering target tracking［J］. Acta Automatica Sinica, 2015, 41(6): 1201-1212.
［5］	DU M, NAN X M, CUAN L. Monocular human motion tracking by using DE-MC particle filter ［J］. IEEE Transactions on Image Processing, 2013, 22(10): 3852-3865.
［6］	田梦楚, 薄煜明, 陈志敏, 等. 萤火虫算法智能优化粒子滤波［J］. 自动化学报, 2016, 42(1): 89-97.
	TIAN Mengchu, BO Yuming, CHEN Zhimin, et al. Firefly algorithm intelligence optimized particle filter［J］. Acta Automatica Sinica, 2016, 42(1): 89-97.
［7］	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.
	FANG Zheng, TONG Guofeng, XU Xinhe. Particle swarm optimized particle filter［J］. Control and Decision, 2007, 22(3): 273-277.
［8］	ZHANG M, JIA H T, SHEN Z. Improved resampling procedure based on genetic algorithm in particle filter ［J］. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 344-349.
［9］	曹洁, 李玉琴, 吴迪. 基于改进差分进化的高精度粒子滤波算法［J］. 上海交通大学学报, 2014, 48(12): 1714-1720.
	CAO Jie, LI Yuqin, WU Di. A high precision particle filter based on improved differential evolution［J］. Journal of Shanghai Jiao Tong University, 2014, 48(12): 1714-1720.
［10］	胡士强, 敬忠良. 粒子滤波算法综述［J］. 控制与决策, 2005, 20(4): 361-365.
	HU Shiqiang, JING Zhongliang. Overview of particle filter algorithm［J］. Control and Decision, 2005, 20(4): 361-365.
［11］	SHAN C F, TAN T N, WEI Y C. Real-time hand tracking using a mean shift embedded particle filter［J］. Pattern Recognition, 2007, 40(7): 1958-1970.
［12］	朱文超, 许德章. 一种基于人工萤火虫群优化的改进粒子滤波算法［J］. 计算机应用研究, 2014, 31(10): 2920-2924.
	ZHU Wenchao, XU Dezhang. Improved particle filter algorithm based on artificial glowworm swamp optimization［J］. Application Research of Computers, 2014, 31(10): 2920-2924.
［13］	单梁, 强浩, 李军, 等. 基于Tent映射的混沌优化算法［J］. 控制与决策, 2005, 20(2): 179-182.
	SHAN Liang, QIANG Hao, LI Jun, et al. Chaotic optimization algorithm based on Tent map［J］. Control and Decision, 2005, 20(2): 179-182.
［14］	匡芳君, 金忠, 徐蔚鸿, 等. Tent混沌人工蜂群与粒子群混合算法［J］. 控制与决策, 2015, 30(5): 839-847.
	KUANG Fangjun, JIN Zhong, XU Weihong, et al. Hybridization algorithm of Tent chaos artificial bee colony and particle swarm optimization［J］. Control and Decision, 2015, 30(5): 839-847.

[1]	黄鹤, 吴琨, 李昕芮, 王珺, 王会峰, 茹锋. 自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法[J]. 上海交通大学学报, 2022, 56(2): 143-155.
[2]	高红莲, 尤杰, 曹松银. 基于PF-UKF组合滤波的SINS/GPS组合导航系统空中对准方法[J]. 上海交通大学学报, 2022, 56(11): 1447-1452.
[3]	邱忠宇, 赵文龙, 高文, 潘洪涛, 史冉东. 动态视觉传感器的目标检测算法对比分析[J]. 空天防御, 2021, 4(4): 101-106.
[4]	侯煜冠, 韩远鹏, 谢金月, 毛兴鹏. 基于SDE模型的雷达组目标角度跟踪方法[J]. 空天防御, 2021, 4(1): 41-46.
[5]	薛晗，邵哲平，潘家财，张锋. 基于文化萤火虫算法-广义回归神经网络的船舶交通流量预测[J]. 上海交通大学学报, 2020, 54(4): 421-429.
[6]	孙一奇，吴爱国，董娜，邵一哲. 基于粒子滤波与改进GVF Snake的人手跟踪算法[J]. 上海交通大学学报（自然版）, 2018, 52(7): 801-807.
[7]	赵国旗a,b，杨明a,b，王冰a,b，王春香c. 基于智能终端的移动机器人室内外无缝定位方法[J]. 上海交通大学学报（自然版）, 2018, 52(1): 13-19.
[8]	张铁，马琼雄. 人机交互中的人体目标跟踪算法[J]. 上海交通大学学报（自然版）, 2015, 49(08): 1213-1219.
[9]	李雄杰1,2，周东华2. 混杂系统故障诊断的粒子滤波器方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 849-854.
[10]	曹洁a,b，李玉琴a，吴迪b. 基于改进差分进化的高精度粒子滤波算法[J]. 上海交通大学学报（自然版）, 2014, 48(12): 1714-1720.
[11]	裴福俊,李昊洋,武玫. 基于分布式无味边缘粒子滤波的同步定位与地图构建[J]. 上海交通大学学报（自然版）, 2014, 48(07): 986-992.
[12]	刘士荣1,2，吴楚1,3，张波涛1,2，章海兵1,2. 基于极线约束SIFT特征和粒子滤波的目标跟踪算法[J]. 上海交通大学学报（自然版）, 2014, 48(07): 1026-1032.
[13]	万磊，杨勇，李岳明. 水下机器人执行器的高斯粒子滤波故障诊断方法[J]. 上海交通大学学报（自然版）, 2013, 47(07): 1072-1076.
[14]	曹松晓,王宣银,向可. 基于内侧轮廓模型的粒子滤波轮廓跟踪[J]. 上海交通大学学报（自然版）, 2013, 47(07): 1022-1026.
[15]	张铁栋, 万磊, 王博, 曾文静. 基于改进粒子滤波算法的水下目标跟踪 [J]. 上海交通大学学报（自然版）, 2012, 46(06): 943-948.