基于自適應蝙蝠粒子濾波算法的WSN目標跟蹤

郭 魯，魏 穎

(沈陽工學院 信息與控制學院，遼寧 撫順 113122)

0 引言

無線傳感器網(wǎng)絡(WSN， wireless sensor network)是當今比較重要的高科技技術(shù)，其主要思想是通過相應的傳感器設備檢測相應的環(huán)境數(shù)據(jù)，同時將檢測的信息相融合，實現(xiàn)網(wǎng)絡連接。目標跟蹤是無線傳感器網(wǎng)絡的基礎研究領域之一，同時也是研究的熱點，主要應用于交通監(jiān)控和戰(zhàn)爭檢測等[1-2]。例如，要實現(xiàn)對一個目標進行及時準確跟蹤，可以將其放在布置有無線傳感器的環(huán)境中，通過無線傳感器網(wǎng)絡實時采集目標運動中的測量數(shù)據(jù)，再將測量數(shù)據(jù)返回跟蹤系統(tǒng)，跟蹤估計目標的位置。應用無線傳感器網(wǎng)絡進行目標跟蹤時，若是監(jiān)測的準確性不高，系統(tǒng)就可能無法自動集中，導致目標跟蹤丟失。粒子濾波(PF，particle filter)通過非參數(shù)化的蒙特卡洛模擬實現(xiàn)遞推貝葉斯濾波，更新推斷系統(tǒng)的下一個狀態(tài)，精確逼近最優(yōu)估計值，因此，粒子濾波比較適用于處理目標跟蹤等非線性系統(tǒng)的狀態(tài)估計問題。粒子濾波算法在多次重復迭代后會出現(xiàn)粒子貧化現(xiàn)象，導致目標跟蹤的準確性降低。粒子貧化問題一般可以通過改進重要性分布函數(shù)或者是改進重新提取粒子來解決，使粒子的多樣性得到了保證[3-4]。為了保證粒子群優(yōu)化過程中的局部多樣性，本文運用改進的粒子濾波算法，解決了粒子算法中粒子退化的缺陷。

現(xiàn)代粒子濾波領域有多種發(fā)展方向，其中群智能優(yōu)化粒子濾波算法是一個比較新的發(fā)展方向。群集智能粒子濾波方法的主要思想是對粒子分布實行反復迭代優(yōu)化，對于粒子群中低權(quán)重粒子不存在放棄問題，從而增加了粒子迭代過程中的多樣性，在根本上解決粒子貧化問題。文獻[5]為了優(yōu)化粒子濾波算法的樣本更新過程，采用粒子群算法和螞蟻群算法相結(jié)合的算法，在粒子群體之間實現(xiàn)了信息共享，大大提高了粒子群體全局優(yōu)化能力。采用文獻[6]進行優(yōu)化的粒子濾波算法應用到自適應粒子群中，對樣本粒子數(shù)量進行了適應性調(diào)整，合理調(diào)整了粒子空間分布狀態(tài)和正確性。

蝙蝠算法(BA, bat algorithm)由劍橋大學的楊教授于2010年提出，它通過模仿蝙蝠的獵物行為來獲得最好的尋優(yōu)解。BA算法作為最新的智能優(yōu)化算法之一，還處于早期研究和擴展階段，與PF融合的報道較少。作為最新的智能優(yōu)化算法之一，蝙蝠算法還處于早期研究和擴展階段，關于與PF融合的報道較少。文獻[7]表明，蝙蝠算法優(yōu)化的綜合能力比螞蟻算法，粒子群等算法更強，因而蝙蝠算法和粒子濾波相結(jié)合時,智能優(yōu)化的粒子濾波性能進一步提高,具有重要意義。但是蝙蝠算法要比較脈沖頻率和脈沖強度來產(chǎn)生兩個獨立的隨機數(shù)來確定下一步驟的操作：這種情況下隨機性太大而控制太小，從而降低了蝙蝠算法的精確度和穩(wěn)定性。因此，如果將標準的蝙蝠計算方法加入到粒子濾波算法中，通過兩者相結(jié)合，就不能滿足現(xiàn)代高頻精密跟蹤雷達精度的需要[7-9]。

本文提供對于粒子濾波跟蹤算法粒子退化問題，提出了一種自適應蝙蝠粒子濾波跟蹤算法(IBA-PF， individual bat algorithm particle filter)。自適應蝙蝠粒子濾波算法在粒子濾波算法的基礎上加入改進的蝙蝠算法，優(yōu)化了粒子重采樣過程，結(jié)合最新的觀測值定義粒子適應度函數(shù)，引導粒子整體上向更高的隨機區(qū)域移動。同時,引入一個動態(tài)自適應慣性權(quán)重來設計新的粒子全局搜索位置更新機制，有效協(xié)調(diào)調(diào)整全局探索和局部探索適應能力、改善粒子貧化和陷入局部極值問題，大大提高了目標跟蹤性能。結(jié)果表明，該算法可以保護群體多樣性，節(jié)省時間，加速收斂速度。

IBA-PF算法是通過改進的蝙蝠算法優(yōu)化粒子濾波重采樣過程，來實現(xiàn)無線傳感器目標跟蹤。其主要思想是在傳統(tǒng)粒子濾波算法中結(jié)合自適應蝙蝠粒子濾波算法，增加了粒子多樣性，提高了跟蹤準確性，縮短跟蹤監(jiān)測時間，提高了跟蹤監(jiān)測能力。實驗結(jié)果表明，該算法具有較好的跟蹤性能。

1 粒子濾波算法

粒子濾波主要是使用一類的隨機加權(quán)隨機樣本(也稱為粒子)來近似表征的后概率密度:

u(xg|z1:g)

(1)

δ是delta 函數(shù)。一般通過后驗概率密度函數(shù)來估計目標狀態(tài)，按照重要樣本的原則,根據(jù)重要性分布函數(shù)來獲得重要性大的即為權(quán)值大的粒子。已知的樣本分布, 得到粒子對應的重要度(權(quán)重)如公式(2)，以及隨后的后驗概率如公式(3)：

(2)

(3)

通過上述的公式，代入式(2)，可以確定加權(quán)粒子集的更新過程:

(4)

通過公式(3)和式(4)形成基于粒子濾波算法的方法，經(jīng)過粒子重采樣有效解決了粒子退化問題。重新采樣算法將所有粒子的權(quán)重值同樣更改為1/N,退化問題得到緩解。

但是為了保持樣本粒子的集中分布和合理分布功能，通常采用采樣算法復制大值粒子，刪除小值的方法，結(jié)果導致權(quán)重大值粒子出現(xiàn)了重復粒子增多的現(xiàn)象，即粒子貧化的現(xiàn)象，最終會導致粒子樣本多樣性減少，使整個算法的性能變差，因此在重要的采樣過程中，為了要保持其多樣性，要對粒子進行適當調(diào)整。

現(xiàn)有的重新采樣算法中，為了保留粒子集中有代表性的粒子，因此，只選擇高權(quán)重值的粒子進行更新，導致重復性粒子增加，粒子的多樣性丟失，出現(xiàn)粒子貧化現(xiàn)象。在重采樣過程中，引入了一種基于粒子濾波的自適應蝙蝠算法，結(jié)合最新的觀測值定義粒子適應度函數(shù)，引導粒子整體上向更高的隨機區(qū)域移動。同時利用動態(tài)自適應慣性權(quán)重探索新的粒子位置更新為設計機制,引入動態(tài)適應慣性權(quán)重值,有效調(diào)整全局探索和局部探索適應能力、改善粒子貧化和局部極值問題，增加粒子群多樣化從而提高跟蹤性能[10-11]。

2 基于改進蝙蝠算法的粒子濾波方法

目前對于粒子濾波重采樣方法，通常保留大權(quán)重的粒子，而刪除小權(quán)重粒子，這樣多次迭代后，導致粒子缺乏，出現(xiàn)粒子貧化現(xiàn)象。對于上述問題，本文研究運用自適應蝙蝠算法優(yōu)化了粒子濾波。

標準粒子濾波通常是通過后驗概率密度函數(shù)對樣本進行采樣，在此過程中，如果不考慮當前的觀測值，結(jié)果就會導致發(fā)生粒子加權(quán)值減小退化。為了克服權(quán)重值退化問題，主要通過重采樣過程中放棄小權(quán)重值粒子來實現(xiàn)。但是這樣經(jīng)過多次重復迭代，最終會導致粒子退化。針對以上問題，本文采用粒子濾波算法結(jié)合自適應蝙蝠算法的新方法，為了保持粒子分布的合理性，在樣本的粒子集在權(quán)值更新前，通過全局最優(yōu)值逐漸引導大部分粒子向于高似然區(qū)域移動，同時高似然區(qū)域附近不會是全體粒子集。通過此方法優(yōu)化重采樣過程，最終可以改善粒子的分布，提高跟蹤精度算法[ [12-14]。

2.1 蝙蝠優(yōu)化算法的原理

BA是最新的蝙蝠算法，該種算法是模仿自然界蝙蝠捕獲獵物的行為，主要思想是利用回聲定位尋找獵物，該方法適用于反復迭代尋憂，同時具有模型簡單，收斂速度快，強壯性好等優(yōu)點。與其他主流群體智能優(yōu)化算法相比較，蝙蝠算法的優(yōu)化能力要更好些。這個算法的主要思路是利用蝙蝠不斷持續(xù)更新相關參數(shù)，其參數(shù)為聲音的強度，脈沖頻率、脈沖發(fā)射頻度，它們共同融合來實現(xiàn)尋找目標的優(yōu)化能力。其中蝙蝠的飛行速度的快慢由參數(shù)中的脈沖頻率決定,蝙蝠接收新的位置的概率由參數(shù)中的聲音的強度和脈沖發(fā)射頻度共同決定。具體優(yōu)化原理是:

1)蝙蝠個體i在D維搜索空間中的g時刻的速度vi和位置xi的更新方式定義為:

fi=fmin+(fmax-fmin)·β

(5)

(6)

(7)

2)局部搜索時，每只蝙蝠的新位置為xgnew由隨機攝動生成的當前最佳位置，更新位置的方法與公式相同:

(8)

3)在尋找獵物的開始階段，蝙蝠有較大的脈沖音強Ai和相對較低的脈沖發(fā)射頻度ri，所以它們可以在大范圍內(nèi)進行搜索，當它們找到食物時，它們會逐漸增加釋放脈沖發(fā)射頻度，而逐漸減小脈沖音強。Ai和ri的更新如下：

(9)

(10)

2.2 全局搜索位置更新方式的自適應更新

標準蝙蝠算法通過搜索脈沖的f數(shù)來調(diào)整蝙蝠的運動，以便可以控制全局和區(qū)域搜索功能。重復次數(shù)增加,根據(jù)式(5)～(7)利用蝙蝠的位置和信息更新時,蝙蝠的速度是越來越小,蝙蝠群體集中在局部極值地,該算法有效的變異機制不足,群體多樣性減少影響,收斂精度。本文優(yōu)化了蝙蝠的位置更新方式，設計了新的全局探索公式，引入了動態(tài)自適應慣性加權(quán)值控制蝙蝠飛行位置的變化程度。新的位置更新方法是:

(11)

w(g-1)=exp(-λ(g-1)/λ(g-2))

(12)

(13)

2.3 自適應蝙蝠粒子濾波算法

在搜索空間中把粒子隨機的分布，每一個蝙蝠個體用每一個粒子來表示，整個尋優(yōu)搜索過程就像蝙蝠種群在尋找食物一樣。在初始反復時，首先是實現(xiàn)全局搜索，在此過程中，粒子狀態(tài)的更新是通過粒子較低的脈沖發(fā)射頻率結(jié)合較大的音強來實現(xiàn)。而在進行局部搜索的時候，粒子狀態(tài)的更新是通過粒子逐漸減少音強和提高發(fā)射頻率來實現(xiàn)。粒子群可以調(diào)整上面3種參數(shù)：頻率，聲音大小，脈沖發(fā)射頻率，沿著目前最好的最優(yōu)的粒子進行適當自適應搜索，增加粒子的多樣性，改善粒子退化現(xiàn)象。為了實現(xiàn)更好的濾波性能，在粒子采樣過程中，融合最新當前觀測值來優(yōu)化粒子群，其自適應函數(shù)定義為:

(14)

式中,ynew是最新當前觀測值，ypred是濾波器預測的觀測值，Rg為觀測噪聲方差。從(14)的計算公式可以看出，該算法有效利用了每一時刻最新當前觀測值，同時結(jié)合該算法相關內(nèi)部信息，對算法本身具有指導作用。通過與位置有優(yōu)勢的更好的粒子相比較，多次重復之后，在搜索空間的最佳位置周圍會聚集大部分粒子。為了實現(xiàn)結(jié)束迭代，必須設定迭代終止閾值，滿足這個條件后則終止迭代。通過模仿蝙蝠追蹤獵物的特性來優(yōu)化粒子。在算法優(yōu)化初期，粒子分布在整個空間中，粒子之間具有較大的間隔和較快的飛行速度，從而保證粒子走向最優(yōu)解，達到較快的收斂速度，而后期為了保證優(yōu)化末期的精度，粒子逐漸減小的飛行速度，整個過程中粒子實現(xiàn)自適應速度調(diào)整。

綜上，本文利用IBA-PF算法設計了自適應采樣和蝙蝠算法融合進粒子濾波算法中，在粒子濾波的重采樣過程，通過改進的蝙蝠算法結(jié)合最新的觀測值定義粒子的適應度函數(shù)來優(yōu)化重采樣過程，引導粒子向整體上較高的隨機區(qū)域移動。同時利用動態(tài)自適應慣性權(quán)重探索新的粒子位置更新為設計機制,引入動態(tài)適應慣性權(quán)重值, 有效調(diào)整全局探索和局部探索適應能力、改善粒子貧化和局部極值問題，增加粒子群多樣化從而提高跟蹤性能。該算法具有更強的適應性和隨機性。通過這兩種算法在迭代更新中的反復作用，提高了粒子的多樣性，有效壓縮粒子的規(guī)模，同時提高計算效率和精度。自適應蝙蝠粒子濾波算法重采樣方法可以防止粒子的退化,增加粒子的多樣性,可以穩(wěn)定控制粒子集規(guī)模在較小的范圍內(nèi)，提高粒子濾波的計算精度和效率。可以減少算法的運行時間,實時性能大幅提高。

2.4 算法實現(xiàn)步驟

算法實現(xiàn)程序

自適應蝙蝠粒子濾波算法實現(xiàn)步驟為:

步驟3：自適應蝙蝠粒子濾波算法采樣粒子。

1)模擬蝙蝠的全局搜索行為。根據(jù)上面公式(5)更新粒子的頻率，根據(jù)公式(6)更新粒子的速度，根據(jù)公式(11)～(13)更新粒子的位置。

4)通過計算比較更新全局最優(yōu)解的值。

(15)

步驟4：當算法臨界值達到設定閾值ε或達到最大值重復迭代次數(shù)時，優(yōu)化中斷，否則轉(zhuǎn)入步驟2。

步驟5：在上述過程的優(yōu)化后，進行粒子權(quán)重值計算，并進行歸一化處理。

(16)

步驟6：狀態(tài)輸出。

(17)

3 仿真實驗

3.1 基礎性能測試

選擇過程模型和測量的非靜態(tài)增長模型，模型如下:

8cos[1.2(u-1)]+w(u)

(18)

(19)

在這里，w(u)和v(u)是零均值高斯噪聲。設系統(tǒng)噪聲方差Q=1，量測噪聲方差R=1，濾波時間步數(shù)為55，最大脈沖音量值A0=0.25，fmin=0，fmax=1.7最大脈沖率R0=0.5。PF、BA-PF和IBA-PF用于非線性系統(tǒng)的狀態(tài)估算和跟蹤。

平方根差公式為:

(20)

3.1.1 精度測試

1)當粒子數(shù)為N=20,Q=1時，模擬結(jié)果如圖1和圖2所示。

圖1 濾波狀態(tài)估計

圖2 濾波誤差絕對值

2)N=100,Q=1，模擬結(jié)果如圖3和圖4所示。

圖3 濾波狀態(tài)估計

圖4 濾波誤差絕對值

從圖1～4可以看出，與標準粒子濾波和蝙蝠粒子濾波、自適應蝙蝠粒子濾波算法相比，自適應蝙蝠粒子濾波算法得到了優(yōu)化。

由于IBA-PF 在PF 的基礎上的原因，其算法具有更高的狀態(tài)值預測準確度，IBA-PF則模擬以PF為基礎的個體或群體尋找蝙蝠的食物與BA-PF相比，IBA-PF可精確控制全局優(yōu)化能力和局部優(yōu)化能力，從而優(yōu)化粒子在狀態(tài)空間的分布，可以粒子分布更合理，使用更少重復迭代次數(shù)，達到尋優(yōu)，用較少的粒子并進一步提高粒子過濾的精度。從表1可以看出，IBA-PF的運算精度在粒子數(shù)為20時，就高于PF算法粒子數(shù)為100的運算精度，并且運算時間與BA-PF差不多。IBA-PF同時還可以提高綜合性價比的濾波精度和保持較快的計算速度。

從表1還可以看出，如果粒子數(shù)為20和50，則PF、BA-PF、IBA-PF三種算法相比較，IBA-PF的精確度有了很大的提高，但當粒子數(shù)為100時，IBA-PF的準確度沒有太大的提高。這是因為當粒子數(shù)量非常少時，各粒子的平均權(quán)重較大，各粒子的質(zhì)量會對預測結(jié)果產(chǎn)生很大影響。這就體現(xiàn)了對IBA-PF的全局優(yōu)化能力和局部優(yōu)化能力的精確控制優(yōu)勢。但是，當粒子數(shù)量較大時，各粒子質(zhì)量的平均重要度就會降低，因此IBA-PF的自適應探索機制的優(yōu)勢不會很大。這表明IBA-PF非常適合于快速、精確的預測，如果粒子數(shù)量少，如雷達、無線傳感器目標跟蹤等。

表1 實驗結(jié)果對比

3.1.2 粒子多樣性測試

在IBA-PF濾波估算中，為測定樣本的多樣性，得出了以下結(jié)果：

當g=10,g=25,g=95時，PF,BA-PF,IBA-PF的粒子分布如圖5～7所示。從圖5～7可以看出，PF、BA-PF、IBA-PF算法相比，標準PF算法按重復采樣進行的濾波過程中，粒子的多樣性明顯減少。在這個階段，大部分粒子只集中在幾個狀態(tài)值上，可能會嚴重影響濾波器的估計性能。而在BA-PF、IBA-PF的情況中，粒子集大部分一起向高似然區(qū)域移動的同時，低相似性區(qū)域合理地保存了部分粒子，其中，IBA-PF算法的情況比BA-PF算法的情況更為明顯，IBA-PF以粒子群體目前的最佳位置為目標，并調(diào)整飛行軌跡,以提高整個群體的重復搜索效率和粒子分布的多樣性。IBA-PF算法合理優(yōu)化了每個階段的粒子分布，具有粒子相對最集中的優(yōu)點，利用IBA-PF采樣可以有效地清除每個階段多余的粒子，并穩(wěn)定地控制粒子的大小。IBA-PF證明了通過減小粒子大小和蝙蝠算法優(yōu)化穩(wěn)定性，可以提高計算效率。本文提出的算法大大提高了粒子的多樣性，而使用BA-PF算法，粒子的多樣性略有增加。結(jié)果表明，雖然IBA-PF采樣可以減少粒子的數(shù)量，但根據(jù)動態(tài)粒子數(shù)，IBA-PF采樣可以去除不必要的粒子，蝙蝠算法可以獲得更好的優(yōu)化性能。

圖5 g=10時粒子狀態(tài)分布情況

圖6 g=25時粒子狀態(tài)分布情況

圖7 g=95時粒子狀態(tài)分布情況

3.2 WSN目標跟蹤性能測試

本文在進行分析時，只考慮單個目標在有效的檢測區(qū)域內(nèi)做勻速直線運動。其中，它的測量方程和運動狀態(tài)方程如下：

(15)

通常反映目標跟蹤算法性能好壞用跟蹤精度的大小來表示，通常用平均平方根誤差來表示。本文采用3種計算方法:PF粒子濾波算法、BA-PF粒子濾波算法、IBA-PF粒子濾波算法通過它們的平均平方根誤差的計算數(shù)值和比較曲線分析性能。平均平方根誤差跟蹤的計算公式為(15)～(16)：

(16)

在仿真實驗中，取比值為0.72，在本實驗中得到了3種算法的跟蹤軌跡曲線，如圖8所示。

圖8 目標運動軌跡比較

如圖8所示，PF算法和BA-PF算法遠離目標，而IBA-PF算法更接近目標的真實軌跡。如圖9～10所示，IBA-PF算法跟蹤精度最高，跟蹤誤差最小，其次為BA-PF算法，PF算法的跟蹤精度最低，PF算法與BAPF算法的跟蹤誤差較大。PF算法和BA-PF算法跟蹤性能較差，不能實時準確跟蹤，但本文提出的IBA-PF算法更接近目標，跟蹤精度略高，實現(xiàn)穩(wěn)定的準確的跟蹤，跟蹤性能更好，效果顯著。從圖9和圖10可以看出，PF的濾波速度估計誤差最大，BA-PF比PF的濾波效果好些，IBA-PF濾波誤差最小，效果最好，最能推算目標運動速度。PF、BA-PF和IBA-PF算法的運行時間分別為50.36 s、38.58 s和29.26 s。全面比較后，通過自適應IBA-PF控制，合理兼顧了全局尋優(yōu)能力和局部尋優(yōu)能力，使粒子趨于更合理的分布，提高了濾波的精度，提高了跟蹤性能。IBA-PF算法的優(yōu)點是可以提高實時監(jiān)控的效率。本文用3種濾波PF算法、BA-PF算法和IBA-PF算法分別進行了110次模擬實驗，得到目標位置和速度的平均平方根誤差。3種過濾算法的平均平方根誤差如表2所示。

圖9 目標運動速在x軸的分量比較

圖10 目標運動速度在y軸的分量比較

表2 3種濾波算法的均方根誤差

在表2中IBA-PF算法和PF算法相比,IBA-PF算法的位置和速度的平均平方根誤差,其中最低跟蹤精度是PF算法,IBA-PF的跟蹤精度最高,可以看出具有較好的跟蹤性能。

從圖11可以看出，本文所提出的跟蹤算法的準確性優(yōu)于PF和BA-PF算法。由于IBA-PF是根據(jù)狀態(tài)后驗的概率分布的粒子集合來推測狀態(tài)，所以對非高斯的雜音不敏感，曲線也沒有大的變化。標準PF的RMSE曲線更彎曲，精度更低。

圖11 3種算法的跟蹤精度

實驗結(jié)果表明，本文提出的自適應蝙蝠粒子濾波的WSN目標跟蹤方法。通過改進的蝙蝠算法優(yōu)化粒子濾波的重采樣過程，結(jié)合最新的觀測值定義粒子的適應度函數(shù)，引導粒子向整體上較高的隨機區(qū)域移動，有效調(diào)整全局探索和局部探索適應能力、改善粒子貧化和局部極值問題，增加粒子群多樣化從而提高跟蹤性能。自適應蝙蝠粒子濾波算法重采樣方法可以防止粒子的退化,增加粒子的多樣性,減少跟蹤誤差,可以減少算法的運行時間,實時追蹤性能大幅提高。IBAPF算法的計算時間最短。與BA-PF算法和PF算法相比，IBA-PF算法的位置和速度的平均平方根誤差最小(位置0.031 1、0.020 2、速度0.026 2、0.010 1)，PF算法的跟蹤精度最低，IBA-PF的跟蹤精度最高。證明了IBA-PF算法具有良好的跟蹤性能。

4 結(jié)束語

針對粒子濾波中的粒子貧化問題和采用群體智能優(yōu)化算法后的計算效率低下問題，刪除不必要的粒子以優(yōu)化蝙蝠算法的初始粒子集問題，本文提出了一種自適應蝙蝠粒子濾波算法，用于無線傳感器網(wǎng)絡中的目標跟蹤。該算法粒子采樣中，使用改進的蝙蝠采樣算法結(jié)合最新的觀測值，定義了粒子匹配度函數(shù)來進行優(yōu)化粒子重采樣過程，使整體粒子向更高的隨機區(qū)域移動。同時,全局探索新的粒子位置更新為設計機制,引入動態(tài)適應慣性權(quán)重值有效調(diào)整全局探索和局部探索適應能力、改善粒子退化和局部極值問題，提高無線傳感器網(wǎng)絡目標跟著走性能。由于后驗概率密度函數(shù)會產(chǎn)生新粒子，可以維持優(yōu)良粒子，同時保證了粒子的多樣性，有效緩解樣本枯竭問題，從而大大改善了濾波功能。理論分析和實驗結(jié)果表明，該算法的整體濾波效果優(yōu)于普通粒子濾波，可很好地實現(xiàn)準確的目標跟蹤，具有一定的實用價值。但是，粒子濾波算法具有運算量較大，能耗較大的缺點，需要在有限能量無線傳感器網(wǎng)絡、高精度測試、跟蹤問題、能耗等方面進行深入研究[18-20]。由粒子濾波不斷重復迭代更新，蝙蝠算法使粒子的分布更為集中在最優(yōu)點且分布合理，在重采樣中加入自適應采樣可以穩(wěn)定控制粒子集規(guī)模在較小的范圍內(nèi)，提高粒子濾波的計算精度和效率。IBA-PF算法可實現(xiàn)粒子間的信息交換可以有效地壓縮粒子的規(guī)模，與人工智能進一步結(jié)合跟蹤領域?qū)⒌玫礁玫陌l(fā)展和應用。