基于GA-PSO的粒子滤波算法的研究

粒子滤波是近年来提出的一种将蒙特卡罗滤波方法和递推贝叶斯理论有效结合起来的一种滤波方法。它比传统的滤波方法操作简单，滤波效果好，因此在处理非线性非高斯问题中的到广泛的应用。 通过对传统的粒子滤波理论的深入分析和研究，我们了解到它本身存在一些不足。其中粒子退化现象是有待解决的典型问题，学者们一般会采用重采样的方式对其进行改进，但是，重采样过程会带来样本多样性降低的新问题，增加采样粒子数又会提高计算难度以及影响算法精度。所以，解决粒子滤波算法中样本退化问题成了近年来研究的热点。 针对上述问题，结合智能优化的特点，本文选用了粒子群优化算法(PSO)对粒子滤波的采样过程进行改进。PSO中的粒子间可以通过自身和同伴的最优解进行更新，这种特性在粒子滤波采样过程中便可以减小粒子退化问题。但是PSO容易陷入局部最优并在搜索后期搜索效率低，而遗传算法的遗传、交叉、变异的优化模式可以增大粒子间了解的多样性，由此本文提出了一种基于GA-PSO思想改进粒子滤波的方法。 通过仿真实验证明了本文改进思想的可行性，并对改进前后的粒子滤波算法进行了比较。从仿真结果可以看出传统的粒子滤波中引入PSO后跟踪效果得到了改善，算法估计下的均方根误差减小。在GA-PSO改进粒子滤波算法和标准PSO改进滤波算法的仿真中也证明了基于GA-PSO思想的粒子滤波的优越性。