基于并行遗传重采样算法的改进粒子滤波方法

摘要

基于并行遗传重采样的粒子滤波方法，(1)围绕初始概率分布采样得到初始粒子，并设定初始权重；(2)通过k-1时刻的M个粒子滤波估计，围绕状态转移概率密度进行粒子采样，从中产生新的M个粒子；M为自然数；(3)对这M个粒子分别进行权重更新，得到每个粒子的权重；(4)利用并行遗传重采样算法对粒子群进行优化。本发明改进粒子滤波，抑制其退化现象及因简单随机重采样引起的粒子匮乏问题，提高粒子多样性及自适应性，进而改善粒子滤波的性能精度。

主权项

基于并行遗传重采样算法的改进粒子滤波方法，其特征在于实现步骤如下：(1)围绕初始概率分布采样得到Ns个初始粒子，并为Ns个初始粒子分别设定初始权重；(2)通过k‑1时刻的Ns个粒子滤波估计，围绕状态转移概率密度进行粒子采样，从中产生新的Ns个粒子；Ns为自然数；(3)对所述Ns个粒子的初始权重分别进行权重更新，得到每个粒子的权重；(4)利用并行遗传重采样方法对粒子群进行优化，所述并行遗传重采样方法实现步骤为：(4.1)由步骤(2)、(3)产生Ns个个体组成的种群为初始种群G(t)，计算得到的粒子权重为初始适应度；t为遗传代数计数器；(4.2)按信息交换模型划分G(t)为n组群体：G(t)＝{G1(t)，G2(t)，…，Gi(t)，…，Gn(t)}，其中，n为分组个数，分组数由并行运算单元的个数而定，每组的粒子个数为Ns/n；(4.3)分组计算各Gi(t)中个体的适应度，并对各分组群体Gi(t)进行独立的遗传选择、交叉、变异操作得到各组的子代种群Gi″′(t)，其中i＝1，2，…，n；(4.4)分组计算各Gi″′(t)中个体的适应度，由信息交换模型进行各Gi″′(t)之间的信息交换，得到下一代群体Gi(t+1)，若种群适应度或遗传代数达到设定门限，则输出计算结果，否则转到步骤(4.2)，其中i＝1，2，…，n；(5)对并行遗传重采样优化后的带权粒子群加权后就得到了k时刻的滤波结果。