本站原创摘 要 摘 要 ：微粒群优化算法（PSO）是一种有效的随机搜索方法,它由模拟鸟群的社会行为发展而来,基本思想是通过群体中个体之间的协作和信息共享来寻找最优解,其优势在于简单、容易实现并且没有许多参数的调节.将微粒群算法应用到改进基于卡尔曼滤波的航迹融合上,并进行数据仿真.实验结果表明,该方法具有较高的正确性和较强的有效性.
关 键 词 关 键 词 ：微粒群优化算法；卡尔曼滤波；航迹融合
中图分类号：TP312文献标识码：A文章编号文章编号：16727800（2013）0010005103
作者简介：余达清（1972-）,男,民航中南空管局工程师,研究方向为计算机和通信工程.
0引言
微粒群优化算法（Particle Swarm Optimization, PSO）[1]又称为粒子群优化算法,由Eberhart博士和kennedy博士于1995年提出.它由对鸟群的捕食行为进行模拟发展而来,是一种基于种群的随机搜索方法,是演化计算领域中的一个新的分支,目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其它应用领域.它只涉及目标函数值的计算而不涉及目标函数的导数求解.鸟被抽象为没有质量和体积的微粒（点）,并延伸到N维空间.每个微粒都有自己的位置和速度,并根据自己的飞行经验和群体的飞行经验不断更新自己的位置和速度,并最终收敛到一个点.本文尝试将基本PSO算法应用在基于卡尔曼滤波的民航飞机的航迹融合[23]上,并用实验数据进行了分析.
1微粒群算法
4结语从以上实验数据可以看出,在航空器直航和机动飞行两种情况下,使用PSO算法对基于卡尔曼滤波的航迹融合进行优化,可比原来手工调整参数获得更好的效果,预测航迹收敛得更快.在滤波效果方面,信噪比SNR在目标直航或机动运动时均有不同幅度的提高,获得了较好的滤波效果.