[发明专利]基于小生境遗传算法的改进粒子滤波方法

权利要求书

1.基于小生境遗传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M个初始粒子，并设定初始权重；

(2)通过k-1时刻的M个粒子滤波估计，对每个采样粒子进行EKF或UKF得到k时刻对应的均值与协方差阵，采用Gaussian密度作为建议概率密度，以每个粒子的均值、协方差阵作为该分布的均值、协方差阵，并分别从每个建议分布中采n个粒子，共获得nM个粒子组成的集合；n和M均为自然数；

(3)对所述nM个粒子分别进行权重更新，得到每个粒子的权重；

(4)通过权重计算粒子群的有效样本容量，如果得到的有效样本容量小于有效样本容量下限，下限可选择为样本数的一半，进行小生境遗传算法重采样，所述小生境遗传算法重采样方法实现步骤为：

(4.1)由步骤(3)产生nM个个体组成的种群为初始种群，计算得到的粒子权重为初始适应度；

(4.2)计算子代群体个体的适应度，根据各个个体的适应度对其进行降序排列，记忆前M个个体，对父代种群进行遗传选择、交叉、变异操作得到子代种群；

(4.3)采用小生境限制竞争选择操作，将通过遗传操作的子代种群与记忆的父代种群合并，在合并后的种群里，对相邻较近粒子中适应度低的处以罚函数加快其淘汰，使粒子更快的向高适应度方向移动；

(4.4)通过以上操作后，依据这(n+1)M个个体的新适应度对个体进行降序排序，记忆前M个个体，若种群适应度达到设定门限，则输出计算结果，否则转到步骤(4.2)。

2.根据权利要求1所述的基于小生境遗传算法的改进粒子滤波方法，其特征在于：所述步骤(4.2)中对父代种群的遗传选择操作包括如下步骤：

(4.2.1)对父代群体G_t进行选择运算，首先计算出群体中所有个体的适应度总和ΣF=Σi=1nMF(xi);]]>

(4.2.2)计算出每个个体适应度大小，即各个个体被遗传到下一代群体中的概率p_si＝F(x_i)/∑F，其中F(x_i)为每个个体的适应度，∑F为个体适应度的总和；

(4.2.3)模拟赌盘操作来确定各个个体是否被选中，根据选择率来模拟构造出每个个体的所占区域，相当于轮盘中的扇面，每个个体包含选择范围上下限A_i[min，max]，随机生成在[0，1]空间均匀分布的随机小数γ∈[0，1]，判断γ落在哪个个体选择范围A内，则该个体被选中；

(4.2.4)运用最优保存策略，找出当前群体中适应度最高的个体和适应度最低的个体；若当前群体中最佳个体的适应度比总的迄今为止的最好个体的适应度还要高，则以当前群体中的最佳个体作为新的迄今为止的最好个体；最后用迄今为止的最好个体替换掉当前群体中的最差个体，即得到子代种群。

3.根据权利要求1所述的基于小生境遗传算法的改进粒子滤波方法，其特征在于：所述步骤(4.3)小生境限制竞争选择操作包括如下步骤：

(4.3.1)将经过遗传变异操作后得到的nM个个体和步骤(4.2)所记忆的M个个体合并在一起，得到一个含有(n+1)M个个体的新群体；

(4.3.2)对这(n+1)M个个体求出每两个个体x_i和x_j之间的距离

||xi-xj||=Σk=1M(xi-xj)2i=1,2,...,(n+1)M-1j=i+1,...,(n+1)M]]>

(4.3.3)当‖x_i-x_j‖＜L时，比较这两个体的适应度大小，并对两个体中适应度小的个体处以罚函数F(min{x_i，x_j})＝Penalty；其中L为生境半径，其取值越大，则经过排挤后的种群个体分布将会越离散，Penalty为罚函数，x_i和x_j为群体中的任意两个个体。