杜先君 韩晓矿

（兰州理工大学电气工程与信息工程学院 兰州 730050）

1 引言

在许多实际工程系统中，如目标跟踪、无线电通信、工业故障诊断和计算机视觉系统，物理模型通常是非线性的［1～2］。粒子滤波（PF）是一种基于蒙特卡罗方法的递推贝叶斯滤波算法，被认为是非线性非高斯状态估计的有用的工具之一［3］。近年来，PF在许多领域得到了广泛的应用［4］。然而，PF中粒子的贫化问题，降低了算法的性能［5］。粒子贫化问题是由于重采样过程不合理导致粒子多样性的匮乏。重采样过程中，高质量的粒子会被保留，而低质量的粒子会被舍弃［6］。虽然低质量粒子对状态估计的影响较小，但仍含有有用的粒子状态信息。因此，粒子的多样性丧失问题使得算法的性能大大降低。

许多学者在降低样品贫化的影响方面做了大量的工作。为了解决重采样步骤中遇到的粒子贫化问题，文献［7］在辅助粒子滤波器（APF）在中引入粒子索引作为重采样的附加变量。文献［8］中推导出一种精细的重采样算法，该算法分阶段比较粒子的权值，并基于拟蒙特卡洛方法构造新的粒子。上述方法着重于改进粒子滤波重采样过程，然而，样本贫化的问题并未完全解决。

近年来，集群优化算法的出现，为解决PF的粒子贫化问题打开了一扇新的大门［9］。在本文中，使用改进的蝴蝶优化算法（HBOA）来优化PF的重采样过程，提高PF算法的状态估计精度，解决PF算法的粒子贫化问题。

2 粒子滤波算法

粒子滤波算法是一种递归滤波算法，通过一组具有权重的随机样本来表示随机事件的后验概率，从含有噪声或不完整的观测序列，估计出系统的状态。……