1本科毕业设计本科毕业设计题题目目 粒子滤波算法性能研究 学学院院 管理科学与工程学院 专专业业 电子信息工程 安徽财经大学管理科学与工程学院本科毕业论文1摘要粒子滤波算法是一种基于社会型生物群体智能的全局搜索算法，粒子滤波算法通过粒子群中粒子间的合作在复杂的搜索空间中找到全局的最优解。这种算法具有易理解、易实现、参数少、搜索能力强等特点，受到了学术界广泛关注，已经成为发展最快的优化算法之一。论文介绍了粒子滤波算法的原理、特点。围绕粒子滤波算法的原理特点和参数的设置进行了各方面的阐述和论证，利用程序迭代多次观察粒子分布的方法，系统的分析了粒子滤波算法中的各个参数，论证评估了各种改进粒子滤波算法的方法的性能和可行性。最后对粒子滤波算法的研究和应用提出了一些建议和展望。关键词：关键词：粒子滤波算法；改进；最优解；参数设置安徽财经大学管理科学与工程学院本科毕业论文2AbstractParticle swarm optimization algorithm is a social Humanoid swarm intelligence-based global search algorithm, particle swarm optimization algorithm to find the global optimal solution in a complex search space through cooperation between particles in particle swarm. PSO algorithm is easy to understand, easy to implement, parameters, search ability, has been widespread concern in academic circles, has become the fastest growing one of the optimization algorithm. The paper describes the principles, characteristics of particle swarm optimization algorithm. Around the principle characteristics and parameters of particle swarm optimization algorithm settings exposition and demonstration by an iterative repeatedly observed particle distribution method to analyze the various parameters of the particle swarm algorithm demonstrated a variety of improved particle swarm algorithm performance and feasibility of the method. Finally, the study and application of the particle swarm optimization algorithm put forward some proposals and outlook.Key words: Particle Swarm Optimization; improved; optimal solution;parameter安徽财经大学管理科学与工程学院本科毕业论文3settings安徽财经大学管理科学与工程学院本科毕业论文1目录目录1.引言.21.1 相关背景.21.2 研究内容和实际意义.22.粒子滤波算法.22.1 粒子滤波算法的起源.22.2 粒子滤波算法算法原理和参数分析.22.3 粒子滤波算法流程.22.4 标准粒子滤波算法举例.23.粒子滤波算法性能和改进.23.1 标准粒子滤波算法.23.2 粒子滤波算法的改进.23.2.1 带压缩因子的粒子滤波算法.23.2.2 线性递减权重的粒子滤波算法.23.2.3 自适应权重法.23.2.4 随机权重法.23.2.5 同步变化学习因子法.23.2.6 异步变化的学习因子法.23.2.7 二阶粒子滤波算法.23.2.8 二阶振荡粒子滤波算法.24.总结和展望.2安徽财经大学管理科学与工程学院本科毕业论文1粒子滤波算法性能研究粒子滤波算法性能研究1.引言引言1.1 相关背景相关背景最近几年，人们通过对社会型生物的群体行为观察模拟，提出了一种新的生物启发式计算方法群体智能算法。群体智能算法中最具有代表性的两种算法是基于蚂蚁寻找路径的蚂蚁算法和通过鸟类觅食行为总结的粒子滤波算法。自从群体智能算法提出以来，引发了各个领域专家们的广泛关注，成为了人工智能以及电子，生物，经济等尖端的跨学科研究领域。在大自然中我们经常可以看到这样想现象：一群鸟寻找食物，这个过程是随机的。在搜索区域里有一只虫子，任何一只鸟不知道虫子在哪里，但是他们知道自己当前所处位置到虫子的距离。鸟群找到虫子最佳方法是什么？最简单的方法是从离虫子最近的鸟周围的区域开始搜索，利用搜索过程中的离虫子最近的那只鸟的经验以及每只鸟自身的经验，鸟群便能很快找到虫子的位置。我们将鸟儿寻找食物的过程和粒子滤波算法相比较：每个最优解都是定义域里的一只鸟，将每只鸟都看成定义域里的一个微粒，这个粒子没有质量没有体积，只有速度和位置。这些粒子的适应值是由优化函数所决定的，每个粒子在进行初始化的时候都有一个随机的速度和随机的位置，其中微粒的速度确定了微粒飞行的方向和距离。假设，鸟类记录了到其当前位置所经历过的最佳位置。这是微粒的飞行经验。每个微粒都知道所有的微粒在整个鸟群中找到的最优解。这是整个种群的经验。所以，这个问题解决的过程，可以看作是一群鸟，在一起合作寻找虫子，虫子的位置是最佳的解决方案。 粒子滤波算法反映的是鸟群中信息的共享。可以看出，粒子滤波算法是简化的社会系统的仿真。在1995 年，J.Kennedy 和 R.C.Eberhart 首次提出粒子滤波算法。这种算法是一种基于群体的优化技术，通过一组群体在搜索空间进行搜索。并且它不需要梯度信息，对安徽财经大学管理科学与工程学院本科毕业论文2问题的依赖性小，概念简单，程序易实现，参数较少。所以自从 PSO 粒子滤波算法诞生之日起就引来了各个国家的研究人员的关注，掀起了一股研究热潮，在诸多领域学科得到了成功的应用。由于粒子滤波算法