PSO学习笔记（1）

最近在整理定位快速算法的思路，看到有粒子群的算法，简单整理了一部分，后续会陆续把代码也贴上来。

参考文献：TDOA collaborative localization algorithm based on PSO and Newton iteration in WGS-84 coordinate system

摘要：

TDOA定位体制下，基于粒子群优化（Particle Swarm Optimization，PSO）和泰勒展式的协同定位不但可以避免粒子群易陷入局部最优的问题，而且还可以不合理的初始解导致牛顿迭代不收敛的问题。

II 问题描述

M个站以特定的形状分布于相同的平面上，基站的位置为，目标坐标为，目标到第i个基站的距离为，目标到基站1的距离为，根据目标和基站的关系

                                                          

其中表示到达测量差，是光速，是独立的且服从均值为0，方差为的高斯分布。

                                              

设

                                                                        

                                                                                        

                                                                                    

即

                                     

根据，利用渐近最大似然（Maximum Likelihood，ML）算法来估计目标的位置，似然函数是

                                      

从似然函数可知，其是一个非线性函数。用传统的方法来解似然函数是很困难的。

                                              

通过得到非线性函数的最小值来解出满足目标函数最小的坐标，解该问题是高计算复杂度和大量计算量。

基于以上分析，匹配函数定义为

                                                                    

III 直角坐标和WGS-84坐标系之间的转化

O-XYZ是WGS-84坐标系，P-XYZ是直角坐标系（P是原点），Q为另一个空间的改的。 和在O-XYZ坐标中，但在P-XYZ坐标中表示 和。

根据直角坐标系和WGS-84坐标系的转化[6]：

                                                  

                                                  

R为转化矩阵。是点大地坐标系的经纬度。如果和点的距离为，按照X轴的正方向旋转到在纬度的投影的方位角是，方向相对于与纬度垂直的面的角度是 ，

                                                                                 

代到

 

                                             

IV PSO

A 算法介绍

粒子群优化（PSO）算法[7]的灵感来源于鸟群和鱼类的学习行为。在太空中，只有一个地方存在食物，没有鸟类知道它的位置。他们依靠彼此交换信息，一步一步地接近食物。本文利用此方法寻找最优解。该方法可以描述为目标在搜索空间中的位置，PSO算法首先初始化一组随机粒子，每个粒子表示发送器位置的潜在解决方案。所有的粒子都有一个由优化函数决定的适应值。粒子根据适应值在搜索空间中跟踪当前的最优粒子，通过迭代找到最优解。

假设在D维空间上，第i个粒子的飞行速度为

                                                             

位置为

                                                            

在酶促迭代，粒子通过跟踪两个最优解来更新自己。当为迄今为止发现的个人最佳位置向量。是是整个群找到的最佳位置向量。通过遵循这两个最佳位置，根据下面公式更新每个粒子的速度和位置。

           

其中，其中是惯性权重。和是学习因子在0到4之间。和为在0和1之间随机分布的随机数。，和，表示第i个粒子在时刻和的速度和位置。此外，通过设定粒子的速度和位置范围，可以适当地限制粒子的运动。

本文，实验选择了线性递减权，较大的有利于在早期算法跳出局部最小值，较小的有利于提高算法的收敛性，提高了粒子群算法的全局搜索能力。下面的方程是线性递减权重。

                                                                        

表示最大的加权因子，表示最小的加权因子，是迭代次数，为整体迭代次数。

B。算法步骤

第一步：初始化粒子在总体中的速度和位置

第二步：评估每个粒子的适应度函数，将每个粒子的当前位置和适应度值存储在中，然后将单个位置的最佳值和整个群之间的适应度值存储到中。

第三步：按照式更新每个粒子的速度和位置

第四步：通过设置粒子的速度和位置，如果，；如果，；，；如果，。

第五步：根据适合度值，比较和t的所有当前值，更新。

第六步：当满足预期的准确性或达到迭代次数时，搜索将停止。

V。泰勒级数展开法

泰勒级数展开法[8,9]是一种需要初始位置的递推算法，在每次递推中，通过求解TDOA测量误差的局部最小二乘解，使初始位置逐渐收敛到估计位置。对于一组测量距离差的测量，该方法基于选定的目标初始位置在展开，并忽略二阶项，公式。可以表示为

                                                                                                           

                                                                                                

表示实测值与真值差的距离差。

                                                                                           

                                      

在，表示选择的初始目标点和观测站之间的距离，可以通过设置得到。WLS可以解位置偏差

                                                                       

为距离测量的方差矩阵。在下一个递归中，，重复该过程直到足够满足停止门限