一种基于人工蚁群算法优化的粒子转移方法及装置制造方法及图纸

本发明专利技术公开了一种基于人工蚁群算法优化的粒子转移方法，该转移方法对粒子进行重采样之前，使用蚁群算法对粒子的后验分布进行改进，通过基于概率的选择方式使粒子集合的整体分布向高似然区域进行转移，同时使用随机数的方法来产生新的粒子，通过这种策略，可以使粒子向高似然区域移动的同时保持其多样性，从而提高粒子滤波的估计精度；本发明专利技术还公开了一种基于人工蚁群算法优化的粒子转移装置，同样能实现上述技术效果。

Particle transfer method and device based on artificial ant colony algorithm optimization

The invention discloses a method of transferring the artificial ant colony algorithm optimization based on particle, before the transfer method of resampling of particles, using ant colony algorithm to the posterior distribution of particles is improved, then transfer to the regional high like through the whole selection method based on probability distribution of the particle set, while using random number method to generate new particles, through this strategy, at the same time keep the diversity of the particles move to the high likelihood region, so as to improve the estimation accuracy of particle filter; the invention also discloses a transfer device of artificial ant colony algorithm optimization based on particle, also can realize the technical effect.

【技术实现步骤摘要】
一种基于人工蚁群算法优化的粒子转移方法及装置
本专利技术涉及粒子滤波
，更具体地说，涉及一种基于人工蚁群算法优化的粒子转移方法及装置。
技术介绍
在粒子滤波中一个普遍问题就是粒子退化现象，重采样过程的引入在一定程度上抑制粒子退化现象的出现。然而重采样过程中采取复制保留较高权值的粒子，删减较低权值的粒子的结果，将必然导致粒子多样性的减弱。经过若干次迭代后，所有粒子都将集中到一个点上，使得描述后验概率密度函数的样本点太少或不充分，特别是在样本受限条件下，这种粒子多样性减弱对于滤波精度的影响更为突出，甚至导致滤波发散现象。因此，如何克服粒子滤波过程中粒子多样性降低的问题，是本领域技术人员需要解决的。
技术实现思路
本专利技术的目的在于提供一种基于人工蚁群算法优化的粒子转移方法及装置，以实现克服粒子滤波过程中粒子多样性降低的问题。为实现上述目的，本专利技术实施例提供了如下技术方案：一种基于人工蚁群算法优化的粒子转移方法，包括：S11、根据各样本的初始值确定初始节点集合；S12、判断当前时刻粒子有效度是否小于预定阈值；若是，则执行S13；若否，则执行S18；S13、从初始节点集合中选择目标节点集合，并根据每个目标节点的信息素浓度和启发信息，确定每个目标节点的转移概率；S14、根据每个目标节点的转移概率，随机从目标节点集合中确定转移节点；S15、计算每个初始节点向转移节点的转移距离，并根据转移距离将初始节点集合中的每个初始节点向转移节点转移；S16、判断初始节点集合转移后的适应度是否大于转移前的适应度；若是，则执行S17；若否，则取消转移，将转移节点移除目标节点集合，并继续执行S14；S17、根据转移距离更新初始节点集合，生成转移后节点集合，并将转移后节点集合作为初始节点集合，继续执行S12；S18、计算初始节点集合的归一化权值，并执行重采样操作。其中，所述S11包括：根据初始状态概率密度抽取各样本的初始值，并生成初始节点集合。其中，所述S12中判断当前时刻粒子有效度是否小于预定阈值，包括：获取当前时刻的粒子权值；根据当前时刻的粒子权值计算当前时刻粒子有效度Neff，并判断当前时刻粒子有效度是否小于预定阈值；其中：N为粒子总数，为n时刻的第i个粒子的粒子权值。其中，所述S15中计算每个初始节点向转移节点的转移距离，包括：若初始节点xi向转移节点xj转移，则转移距离Li,j为：其中，xj-xi为转移节点xj与初始节点xi之间的距离值，为转移误差，r为迭代次数，ζ为服从高斯分布N(0.1)的随机值，λ为预定常量或者变量。其中，若λ为变量，则计算每个初始节点向转移节点的转移距离之前，还包括：计算初始节点xi的适应度fitness(xi)，以及转移节点xj的适应度fitness(xj)，并根据初始节点xi的适应度fitness(xi)和转移节点xj的适应度fitness(xj)，确定变量λ；其中，变量一种基于人工蚁群算法优化的粒子转移装置，包括：初始节点集合确定模块，用于根据各样本的初始值确定初始节点集合；第一判断模块，用于判断当前时刻粒子有效度是否小于预定阈值；转移概率确定模块，用于在当前时刻粒子有效度小于预定阈值时，从初始节点集合中选择目标节点集合，并根据每个目标节点的信息素浓度和启发信息，确定每个目标节点的转移概率；转移节点确定模块，用于根据每个目标节点的转移概率，随机从目标节点集合中确定转移节点；转移模块，用于计算每个初始节点向转移节点的转移距离，并根据转移距离将初始节点集合中的每个初始节点向转移节点转移；第二判断模块，用于判断初始节点集合转移后的适应度是否大于转移前的适应度；节点更新模块，用于在初始节点集合转移后的适应度大于转移前的适应度时，根据转移距离更新初始节点集合，生成转移后节点集合，并将转移后节点集合作为初始节点集合，触发第一判断模块；节点移除模块，用于在初始节点集合转移后的适应度不大于转移前的适应度时，取消转移，将转移节点移除目标节点集合，并触发转移节点确定模块；归一化权值计算模块，用于在当前时刻粒子有效度不小于预定阈值时，计算初始节点集合的归一化权值，并执行重采样操作。其中，所述初始节点集合确定模块根据初始状态概率密度抽取各样本的初始值，并生成初始节点集合。其中，所述第一判断模块包括：获取单元，用于获取当前时刻的粒子权值；判断单元，用于根据当前时刻的粒子权值计算当前时刻粒子有效度Neff，并判断当前时刻粒子有效度是否小于预定阈值；其中：N为粒子总数，为n时刻的第i个粒子的粒子权值。其中，所述转移模块包括：转移距离确定单元，用于在初始节点xi向转移节点xj转移时，根据转移距离确定规则确定转移距离Li,j；其中转移距离确定规则为：其中，xj-xi为转移节点xj与初始节点xi之间的距离值，为转移误差，r为迭代次数，ζ为服从高斯分布N(0.1)的随机值，λ为预定常量或者变量。其中，所述转移模块还包括：确定单元，用于在λ为变量时，计算初始节点xi的适应度fitness(xi)，以及转移节点xj的适应度fitness(xj)，并根据初始节点xi的适应度fitness(xi)和转移节点xj的适应度fitness(xj)，确定变量λ；其中，变量通过以上方案可知，本专利技术实施例提供的一种基于人工蚁群算法优化的粒子转移方法，包括：S11、根据各样本的初始值确定初始节点集合；S12、判断当前时刻粒子有效度是否小于预定阈值；若是，则执行S13；若否，则执行S18；S13、从初始节点集合中选择目标节点集合，并根据每个目标节点的信息素浓度和启发信息，确定每个目标节点的转移概率；S14、根据每个目标节点的转移概率，随机从目标节点集合中确定转移节点；S15、计算每个初始节点向转移节点的转移距离，并根据转移距离将初始节点集合中的每个初始节点向转移节点转移；S16、判断初始节点集合转移后的适应度是否大于转移前的适应度；若是，则执行S17；若否，则取消转移，将转移节点移除目标节点集合，并继续执行S14；S17、根据转移距离更新初始节点集合，生成转移后节点集合，并将转移后节点集合作为初始节点集合，继续执行S12；S18、计算初始节点集合的归一化权值，并执行重采样操作。具体的，解决权值蜕化并保持样本多样性的方法是需要平衡产生预测样本的建议分布与目标分布的关系，建议分布必须使大量样本准确处于状态空间中的高似然区域，这样，目标分布才能为大多数样本分配到不可忽略的权值，因此在本实施例中，对粒子进行重采样之前，使用蚁群算法(AntColonyOptimizationACO)对粒子的后验分布进行改进，通过基于概率的选择方式使粒子集合的整体分布向高似然区域进行转移，同时使用随机数的方法来产生新的粒子，通过这种策略，可以使粒子向高似然区域移动的同时保持其多样性，从而提高粒子滤波的估计精度；本专利技术还公开了一种基于人工蚁群算法优化的粒子转移装置，同样能实现上述技术效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例公开的一种本文档来自技高网...

【技术保护点】
一种基于人工蚁群算法优化的粒子转移方法，其特征在于，包括：S11、根据各样本的初始值确定初始节点集合；S12、判断当前时刻粒子有效度是否小于预定阈值；若是，则执行S13；若否，则执行S18；S13、从初始节点集合中选择目标节点集合，并根据每个目标节点的信息素浓度和启发信息，确定每个目标节点的转移概率；S14、根据每个目标节点的转移概率，随机从目标节点集合中确定转移节点；S15、计算每个初始节点向转移节点的转移距离，并根据转移距离将初始节点集合中的每个初始节点向转移节点转移；S16、判断初始节点集合转移后的适应度是否大于转移前的适应度；若是，则执行S17；若否，则取消转移，将转移节点移除目标节点集合，并继续执行S14；S17、根据转移距离更新初始节点集合，生成转移后节点集合，并将转移后节点集合作为初始节点集合，继续执行S12；S18、计算初始节点集合的归一化权值，并执行重采样操作。

【技术特征摘要】
1.一种基于人工蚁群算法优化的粒子转移方法，其特征在于，包括：S11、根据各样本的初始值确定初始节点集合；S12、判断当前时刻粒子有效度是否小于预定阈值；若是，则执行S13；若否，则执行S18；S13、从初始节点集合中选择目标节点集合，并根据每个目标节点的信息素浓度和启发信息，确定每个目标节点的转移概率；S14、根据每个目标节点的转移概率，随机从目标节点集合中确定转移节点；S15、计算每个初始节点向转移节点的转移距离，并根据转移距离将初始节点集合中的每个初始节点向转移节点转移；S16、判断初始节点集合转移后的适应度是否大于转移前的适应度；若是，则执行S17；若否，则取消转移，将转移节点移除目标节点集合，并继续执行S14；S17、根据转移距离更新初始节点集合，生成转移后节点集合，并将转移后节点集合作为初始节点集合，继续执行S12；S18、计算初始节点集合的归一化权值，并执行重采样操作。2.根据权利要求1所述的粒子转移方法，其特征在于，所述S11包括：根据初始状态概率密度抽取各样本的初始值，并生成初始节点集合。3.根据权利要求2所述的粒子转移方法，其特征在于，所述S12中判断当前时刻粒子有效度是否小于预定阈值，包括：获取当前时刻的粒子权值；根据当前时刻的粒子权值计算当前时刻粒子有效度Neff，并判断当前时刻粒子有效度是否小于预定阈值；其中：N为粒子总数，为n时刻的第i个粒子的粒子权值。4.根据权利要求1-3中任意一项所述的粒子转移方法，其特征在于，所述S15中计算每个初始节点向转移节点的转移距离，包括：若初始节点xi向转移节点xj转移，则转移距离Li,j为：其中，xj-xi为转移节点xj与初始节点xi之间的距离值，为转移误差，r为迭代次数，ζ为服从高斯分布N(0.1)的随机值，λ为预定常量或者变量。5.根据权利要求4所述的粒子转移方法，其特征在于，若λ为变量，则计算每个初始节点向转移节点的转移距离之前，还包括：计算初始节点xi的适应度fitness(xi)，以及转移节点xj的适应度fitness(xj)，并根据初始节点xi的适应度fitness(xi)和转移节点xj的适应度fitness(xj)，确定变量λ；其中，变量6.一种基于人工蚁群算法优化的粒子转移装置，其特征在于，包括：初始节点集合确定模块，用于根据各样本的初始值确定初始节点集合；...

【专利技术属性】
技术研发人员：梁楠，岳鹏飞，张鹰，宋晓辉，刘师，刘新，张洪敏，张伟，丁冉，
申请(专利权)人：河南省科学院应用物理研究所有限公司，
类型：发明
国别省市：河南,41