发布时间：
蔡自兴教授已在国内外发表论文和科技报告等860多篇。2010年： Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26- 28, Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26-28, . Chen Baifan,Zi-Xing Cai, Zhi-Rong Zou. A Hybrid Data Association Approach for Mobile Robot SLAM. International Conference on Control, Automation and Systems, October 27-30, 2010, KINTEX, Gyeonggi-do, KOREA (Accepted).4. Guo Fan,Cai Zixing, Xie Bin, Tang Jin. Automatic Image Haze Removal Based on Luminance Component. The International conference on Signal and Image Processing (SIP 2010).May 2010 (Accepted).5. Linai. Kuang,Zixing. System based Redeployment Scheme for Wireless Sensor Networks[C].In proceeding of 1st IET International Conference on Wireless Sensor Network. Beijing, China, November,. Lingli YU,Zixing CAI, A Study of Multi-Robot Stochastic Increment Exploration Mission Planning [J]. Frontiers of Electrical and Electronic Engineering in China, (Received).7. Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering optimization. Applied Soft Computing, 2010,10(2): 629–. LIU Xian-ru,CAI Zi-xing. Advanced obstacles detection and tracking by using fusing radar and image sensor data. International Conference on Control, Automation and Systems，2010/10/27,. Liu Xianru,Cai zixing. Advanced obstacles detection and tracking by using fusing Radar and Image Sensor Data[C]. International Conference on Control, Automation and Systems. (October 27-30,2010, KINTEX, Gyeonggi-do, KOREA).10. Ren Xiaoping,Zixing Cai. Kinematics Model of Unmanned Driving Vehicle. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: . Suqin Tang,Zixing Cai: Tourism Domain Ontology Construction from the Unstructured Text Documents. The 9th IEEE International Conference on Cognitive Informatics, Beijing, . Suqin Tang,Zixing Cai: Using the Format Concept Analysis to Construct the Tourism Information Ontology. The 2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'10)，Yantian, , . Tan Ping,Zixing Cai. An Adaptive Particle Filter Based on Posterior Distribution. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: . Wang Yong,Cai Zixing, Zhang Qingfu. Differential evolution with composite trial vector generation strategies and control parameters. IEEE Transactions on Evolutionary Computation, Accept, regular . Wang Yong,Cai Zixing. Constrained evolutionary optimization by means of (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, in . Wang Yong, Combining multiobjective optimization with differential evolution to solve constrained optimization problems. IEEE Transactions on Evolutionary Computation, (regular paper, Accepted).17. Xianru Liu,Zixing Obstacles Detection and tracking by Fusing Millimeter Wave Radar and Image Sensor Data,International IEEE Intl Coference on Control,Automation and Systems , Korea, 2010, 22:. Xie Bin, Fan Guo,Zixing Cai. Improved Single Image Dehazing Using Dark Channel Prior and Multi-Scale Retinex. 2010 International Conference on Intelligent System Design and Engineering Application, Changsha, China, 2010. (Accepted) .19. YU Ling-li,CAI Zi-xing, GAO Ping-an, LIU Xiao-ying. A spatial orthogonal allocation and heterogeneous cultural hybrid algorithm for multi-robot exploration mission planning. Journal of control theory and applications (Received) .20.蔡自兴，陈白帆，刘丽珏. 智能科学基础系列课程国家级教学团队的改革与建设. 计算机教育，2010，（127）：40-44 .21.蔡自兴，任孝平，李昭.一种基于GPS/INS组合导航系统的车辆状态估计方法. , .蔡自兴。智能科学技术课程教学纵横谈. 计算机教育，2010，（127）：.蔡自兴，蒋冬冬，谭平，安基程。中快速运动估计算法的一种改进方案;计算机应用研究2010,27(4):.蔡自兴; 任孝平; 邹磊; 匡林爱. 一种簇结构下的多移动机器人通信方法.小型微型计算机系统,2010,31(3):. 陈爱斌，蔡自兴.一种基于目标和背景加权的目标跟踪方法,控制与决策，2010,25(8):. 陈爱斌;蔡自兴; 文志强; 董德毅. 一种基于预测模型的均值偏移加速算法. 信息与控制 2010,39(2): . 陈爱斌; 董德毅;杨勇;蔡自兴. 基于目标中心定位和NMI特征的跟踪算法.计算机应用与软件,2010,27(4):. 陈白帆，蔡自兴，刘丽珏. 人工智能课程的创新性教学探索——人工智能精品课程建设与改革. 计算机教育，2010，（127）：. 官东，蔡自兴，孔志周. 一种基于推荐证据理论的网格信任模型.系统仿真学报，2010，22（8）：.郭璠,蔡自兴,谢斌, 唐琎. 图像去雾技术研究综述与展望. 计算机应用, 2010, 30(9):. 郭璠,蔡自兴, 谢斌, 唐琎. 一种基于亮度分量的自动图像去雾方法. 中国图象图形学报. 2010年3月(录用).32. 江中央,蔡自兴,王勇. 一种新的基于正交实验设计的约束优化进化算法. 计算机学报, 2010，33（5）：. 江中央,蔡自兴,王勇.求解全局优化问题的混合自适应正交遗传算法.软件学报, 2010,21(6):. 匡林爱,蔡自兴. 基于遗传算法的无线传感器网络重新部署方法. 控制与决策，2010,25(9):. 匡林爱,蔡自兴.一种簇机构下的多移动机器人通讯方法.小型微型计算机系统.，2010，31（3）：. 匡林爱,蔡自兴.一种带宽约束的无线传感器网络节点调度算法.高技术通讯，2010,20(3):. 刘丽珏，蔡自兴，唐琎. 人工智能双语教学建设. 计算机教育，2010，（127）：. 刘献如，蔡自兴. 基于SAD与UKF-Mean shift的主动目标跟踪. 模式识别与人工智能，2010,23(5)：. 刘献如，蔡自兴. 结构化道路车道线的鲁棒检测与跟踪. 光电子.激光，2010，21(12):. 刘献如,蔡自兴.UKF 与Mean shift 相结合的实时目标跟踪.中南大学学报，2009年录用.41. 刘晓莹;蔡自兴; 余伶俐; 高平安. 一种正交混沌蚁群算法在群机器人任务规划中的应用研究. 小型微型计算机系统, 2010,31(1):. 蒙祖强，蔡自兴，黄柏雄. 课程交叉教学在应用型人才培养中的实践探索. 计算机教育，2010，（127）：. 潘薇;蔡自兴; 陈白帆. 复杂环境下多机器人协作构建地图的方法;四川大学学报(工程科学版) . 任孝平,蔡自兴,邹磊,匡林爱.“中南移动二号”多移动机器人通信系统.中南大学学报（自然科学版）,2010,41(4):. 任孝平,蔡自兴.四种虚拟力模型在传感器网络覆盖中的性能分析.信息与控制,2010，39（4）：. 任孝平;蔡自兴; 陈爱斌. 多移动机器人通信系统研究进展. 控制与决策 2010,(3): .唐素勤，蔡自兴，王驹，蒋运承: 基于gfp语义的描述逻辑系统FLE的有穷基,计算机研究与发展，2010,47(9):. 唐素勤，蔡自兴，王驹，蒋运承: 描述逻辑非标准推理, 模式识别与人工智能，2010,23(4)：. 肖赤心，蔡自兴，王勇. 字典序进化算法用于组合优化问题. 控制理论与应用，2010，27（4）：. 谢斌，蔡自兴. 基于MATLAB Robotics Toolbox的机器人学仿真实验教学. 计算机教育，2010，（127）：. 余伶俐,蔡自兴,谭平,段琢华.基于多模态Rao-Blackwellized进化粒子滤波器的移动机器人航迹推算系统的故障诊断. 控制与决策，2010，25（12）：. 余伶俐,蔡自兴,谭平,进化粒子滤波器对比研究及其在移动机器人故障诊断的应用. 信息与控制，2010，39（5）：. 余伶俐，蔡自兴，肖晓明. 智能控制精品课程建设与教学改革研究. 计算机教育，2010，（127）：. 余伶俐,焦继乐,蔡自兴. 一种多机器人任务规划算法及其系统实现. 计算机科学，2010，37（6）：.周涛;蔡自兴。 信息审计中短消息中心实验环境的仿真[J].科学技术与工程 2010,10(6): . 邹磊,蔡自兴,任孝平.一种基于虚拟力的自组织覆盖算法.计算机工程,2010,36(14):93-95 .2009年：57. Gao Ping-an,Cai Zi-xing. Evolutionary Computation Approach to Decentralized Multi-robot Task Allocation. Proc. of the 5th International Conference on Natural Computation, IEEE Computer Society, 2009,. Wang Yong,Cai Zixing, Zhou Yuren. Accelerating adaptive trade-off model using shrinking space technique for constrained evolutionary optimization, International Journal for Numerical Methods in Engineering, 2009, 77(11):. Wang Yong,Cai Zixing, Zhou Yuren, Fan Zhun. Constrained optimization based on hybrid evolutionary algorithm and adaptive constraint-handling technique, Structural and Multidisciplinary Optimization, 2009, 37(1): . Wang Yong,Cai Zixing. A hybrid multi-swarm particle swarm optimization to solve constrained optimization problems, Frontiers of Computer Science in China, 2009,3(1):. Wang Yong,Cai Zixing. Constrained evolutionary optimization by applying (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, . Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering Soft Computing, 2010,10(2):629–. Liu Limei,Cai Zixing. An Improvement of Hough Transform for Building Feature . Limei Liu, Zixing Cai, Method Based on Uncertain Information of Sonar Sensor[C]. The 9th International Conference for Young Computer Scientists,2009,. YU Ling-li,CAI Zi-xing. Robot Detection Mission Planning Based on Heterogeneous Interactive Cultural Hybrid Algorithm. Proc. of the 5th International Conference on Natural . Ren Xiaoping,Cai Distributed Actor Deployment Algorithm for Maximum Connected Coverage in WSAN. Proc. of the 2009 Fifth International Conference on Natural Computation, 2009,. 王勇,蔡自兴,周育人,肖赤心.约束优化进化算法.软件学报, 2009,20(1): . 陈白帆,蔡自兴, 潘薇. 基于声纳和摄像头的动态环境地图创建方法.高技术通讯, 2009, 19(4): . 陈白帆,蔡自兴, 袁成. 基于粒子群优化的移动机器人SLAM方法研究.机器人, 2009, 31(6)：. 高平安,蔡自兴. 多移动机器人任务负载均衡分组规划方法.高技术通讯,2009, 19(5):. 高平安,蔡自兴. 一种基于多子群的动态优化算法.中南大学学报(自然科学版) 2009, 40(3): . 刘献如,;蔡自兴. 一种基于Integral Imaging和与模拟退火相结合的深度测量方法研究. 系统仿真学报. 2009，21(8)：2303~. 刘利枚，蔡自兴，潘薇.一种基于声纳信息的地图创建方法.计算机工程，2009，35（7）：. 余伶俐，蔡自兴. 基于异质交互式文化混合算法的机器人探测任务规划.机器人.2009, 31(2):. 余伶俐，蔡自兴，刘晓莹，高平安. 均分点蚁群算法在群集机器人任务规划中的应用研究[J].高技术通讯. 2009,19(10),. 余伶俐，蔡自兴. 改进混合离散粒子群的多种优化策略算法.中南大学学报,2009, 40(4): . 余伶俐，蔡自兴，高平安，刘晓莹. 当代学习自适应混合离散粒子群算法研究. 小型微型计算机系统. 2009, 30(9):. 余伶俐，蔡自兴. 基于当代学习离散粒子群的多机器人高效任务分配算法研究. 计算机应用研究. 2009, 26(5):.蔡自兴; 谢斌; 魏世勇; 陈白帆. 《机器人学》教材建设的体会. 2009年全国人工智能大会(CAAI-13)，北京：北京邮电大学出版社，252-255，2009年9月.80.蔡自兴，郭璠. 密码学虚拟实验平台的设计与实现.中国人工智能进展（2009），中国人工智能大会(CAAI-13)论文集，北京：北京邮电大学出版社，432-438，2009年9月.81.蔡自兴,任孝平,邹磊.分布式多机器人通信仿真系统.智能系统学报,2009,4(4): . 任孝平,蔡自兴.基于阿克曼原理的车式移动机器人运动学建模.智能系统学报, 2009,4(6);.蔡自兴; 任孝平; 邹磊. 分布式多机器人通信仿真系统.智能系统学报, 2009,4(4);. 文志强;蔡自兴. 一种目标跟踪中的模糊核直方图. 高技术通讯, 2009,19(2):.刘星宝;蔡自兴. 种子检测器刺激-应答变异算法研究. 高技术通讯, 2009,19(3):. 刘星宝;蔡自兴. 负选择算法中的检测器快速生成策略. 小型微型计算机系统, . 刘星宝;蔡自兴. 异常检测系统的漏洞分析.中南大学学报(自然科学版), . 潘薇;蔡自兴; 陈白帆. 一种非结构环境下多机器人构建地图的方法. 高技术通讯, . 孔志周;蔡自兴; 官东. 两种模糊密度确定方法的实验比较. 小型微型计算机系统, . 江中央;蔡自兴; 王勇. 用于全局优化的混合正交遗传算法. 计算机工程, . 肖赤心;蔡自兴; 王勇; 周经野. 一种基于佳点集原理的约束优化进化算法. 控制与决策, 2009-02-15 .92. 官东;蔡自兴; 孔志周. 一种基于网格技术的HLA分布仿真实现方法. 系统仿真学报, 2009,21(5):.刘慧;蔡自兴; 王勇. 基于佳点集的约束优化进化算法. 系统仿真学报, 2009-03-20 .94. 潘薇;蔡自兴; 陈白帆. 基于遗传算法的多机器人协作建图方法. 计算机应用研究, . 任孝平;蔡自兴; 卢薇薇. 一种基于扫描相关度的LSB算法. 计算机应用, .胡强;蔡自兴. 一种基于改造时钟系统的Linux实时化方案. 计算机工程, . 袁成;蔡自兴; 陈白帆. 粒子群优化的同时定位与建图方法. 计算机工程, . 王勇;蔡自兴. “智能优化算法及其应用”课程教学的实践与探索. 计算机教育, . 任孝平;蔡自兴; 卢薇薇. 网络可重构的多机器人仿真系统. 计算机应用研究, . 袁湘鹏;蔡自兴; 刘利枚. 基于声纳的移动机器人环境建图的设计与实现. 计算机应用研究, . 官东;蔡自兴; 孔志周.网格服务本体匹配算法研究. 小型微型计算机系统, 2009，30(8):. 邹磊;蔡自兴; 任孝平. 基于簇的多移动机器人通信系统. 计算机应用研究, .蔡自兴. 从严施教,精心育才,培养高素质人才. 计算机教育, . 肖晓明; 旷东林;蔡自兴. 单亲遗传算法种群初始化方法分析. 电脑与信息技术, . 刘丽珏; 陈白帆; 王勇; 余伶俐;蔡自兴. 精益求精建设人工智能精品课程. 计算机教育, . 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法.中南大学学报(自然科学版), . 唐素勤;蔡自兴; 江中央; 肖赤心. 用于求解约束优化问题的自适应佳点集进化算法. 小型微型计算机系统,2009,第9期，.胡扬;桂卫华;蔡自兴. 多元智能算法控制结构综述. 计算机科学, .蔡自兴. 《混沌系统的模糊神经网络控制理论与方法》评介. 计算技术与自动化, . 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法. 2009年中国智能自动化会议论文集（第六分册）[中南大学学报（增刊）], . 于金霞;蔡自兴; 段琢华. 复杂地形下移动机器人运动学建模研究. 2009中国控制与决策会议论文集（1）, . 刘献如，蔡自兴，杨欣荣. Integral Imaging与模拟退火相结合的深度测量方法研究. 系统仿真学报，2009,21（8）：2303－2307.
我这里有一个粒子群的完整范例：<群鸟觅食的优化问题>function main()clc;clear all;close all;tic; %程序运行计时E0=; %允许误差MaxNum=100; %粒子最大迭代次数narvs=1; %目标函数的自变量个数particlesize=30; %粒子群规模c1=2; %每个粒子的个体学习因子，也称为加速常数c2=2; %每个粒子的社会学习因子，也称为加速常数w=; %惯性因子vmax=; %粒子的最大飞翔速度x=-5+10*rand(particlesize,narvs); %粒子所在的位置v=2*rand(particlesize,narvs); %粒子的飞翔速度%用inline定义适应度函数以便将子函数文件与主程序文件放在一起，%目标函数是：y=1+(*(1-x+2*x.^2).*exp(-x.^2/2))%inline命令定义适应度函数如下：fitness=inline('1/(1+(*(1-x+2*x.^2).*exp(-x.^2/2)))','x');%inline定义的适应度函数会使程序运行速度大大降低for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); endendpersonalbest_x=x;personalbest_faval=f;[globalbest_faval i]=min(personalbest_faval);globalbest_x=personalbest_x(i,:);k=1;while k<=MaxNum for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); end if f(i) 目标函数是什么 还有约束条件 论文> 工业技术 > 一般工业技术 > 工程基础科学 > 工程数学 > 概率论、数理统计的应用论文下属分类: 运筹学的应用 | 工程控制论 | 可靠性理论 | ·《可重构装配线建模、平衡及调度研究》·《粒子群算法的改进与应用研究》·《压力容器用钢疲劳可靠性研究》·《稳健设计及其在工业中的应用》·《基于概率的结构动力拓扑优化设计研究》·《基于随机模拟试验的稳健优化设计方法研究》·《复杂系统可靠性工程相关理论及技术研究》·《故障部件不可修复如新的线形相邻n中连续k系统的可靠性分析》·《基于目标和空间正交分解的布局启发式算法的研究》·《考虑失效相关时不可修复工程系统的可靠性分析》·《多维数值积分的数论方法及其在结构可靠度分析中的应用》·《三维位势场快速多极边界元法》·《大规模动态过程优化的拟序贯算法研究》·《不确定性结构的分析方法研究》·《非线性结构随机分析数值模拟的方法研究》 定义粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。它可以被纳入多主体优化系统 (Multiagent Optimization System, MAOS). 粒子群优化算法是由Eberhart博士和kennedy博士发明。PSO模拟鸟群的捕食行为PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。从模型中得到的启示PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化PSO初始化为一群随机粒子(随机解)，然后通过叠代找到最优解，在每一次叠代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。编辑本段算法介绍在找到这两个最优值时, 粒子根据如下的公式来更新自己的速度和新的位置v[] = v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a)present[] = persent[] + v[] (b)v[] 是粒子的速度, persent[] 是当前粒子的位置. pbest[] and gbest[] 如前定义 rand () 是介于（0， 1）之间的随机数. c1, c2 是学习因子. 通常 c1 = c2 = 2.程序的伪代码如下For each particle____Initialize particleENDDo____For each particle________Calculate fitness value________If the fitness value is better than the best fitness value (pBest) in history____________set current value as the new pBest____End____Choose the particle with the best fitness value of all the particles as the gBest____For each particle________Calculate particle velocity according equation (a)________Update particle position according equation (b)____EndWhile maximum iterations or minimum error criteria is not attained在每一维粒子的速度都会被限制在一个最大速度Vmax，如果某一维更新后的速度超过用户设定的Vmax，那么这一维的速度就被限定为Vmax。编辑本段遗传算法和PSO的比较共同点①种群随机初始化。②对种群内的每一个个体计算适应值(fitness value)。适应值与最优解的距离直接有关。③种群根据适应值进行复制 。④如果终止条件满足的话，就停止，否则转步骤② 。从以上步骤，我们可以看到PSO和遗传算法有很多共同之处。两者都随机初始化种群，而且都使用适应值来评价系统，而且都根据适应值来进行一定的随机搜索。两个系统都不是保证一定找到最优解。但是，PSO没有遗传操作如交叉(crossover)和变异(mutation)，而是根据自己的速度来决定搜索。粒子还有一个重要的特点，就是有记忆。不同点与遗传算法比较，PSO的信息共享机制是很不同的。在遗传算法中，染色体(chromosomes)互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动。在PSO中, 只有gBest (orlBest) 给出信息给其他的粒子， 这是单向的信息流动。整个搜索更新过程是跟随当前最优解的过程。与遗传算法比较, 在大多数的情况下，所有的粒子可能更快的收敛于最优解。编辑本段人工神经网络和PSO定义人工神经网络(ANN)是模拟大脑分析过程的简单数学模型，反向转播算法是最流行的神经网络训练算法。进来也有很多研究开始利用演化计算(evolutionary computation)技术来研究人工神经网络的各个方面。研究方面演化计算可以用来研究神经网络的三个方面：网络连接权重，网络结构(网络拓扑结构，传递函数)，网络学习算法。不过大多数这方面的工作都集中在网络连接权重，和网络拓扑结构上。在GA中，网络权重和/或拓扑结构一般编码为染色体(Chromosome)，适应函数(fitness function)的选择一般根据研究目的确定。例如在分类问题中，错误分类的比率可以用来作为适应值优缺点演化计算的优势在于可以处理一些传统方法不能处理的例子例如不可导的节点传递函数或者没有梯度信息存在。但是缺点在于：1、在某些问题上性能并不是特别好。2. 网络权重的编码而且遗传算子的选择有时比较麻烦。最近已经有一些利用PSO来代替反向传播算法来训练神经网络的论文。研究表明PSO 是一种很有潜力的神经网络算法。PSO速度比较快而且可以得到比较好的结果。而且还没有遗传算法碰到的问题。举例这里用一个简单的例子说明PSO训练神经网络的过程。这个例子使用分类问题的基准函数 (Benchmark function)IRIS数据集。(Iris 是一种鸢尾属植物) 在数据记录中，每组数据包含Iris花的四种属性：萼片长度，萼片宽度，花瓣长度，和花瓣宽度，三种不同的花各有50组数据. 这样总共有150组数据或模式。我们用3层的神经网络来做分类。现在有四个输入和三个输出。所以神经网络的输入层有4个节点，输出层有3个节点我们也可以动态调节隐含层节点的数目，不过这里我们假定隐含层有6个节点。我们也可以训练神经网络中其他的参数。不过这里我们只是来确定网络权重。粒子就表示神经网络的一组权重，应该是4*6+6*3=42个参数。权重的范围设定为[-100，100] (这只是一个例子，在实际情况中可能需要试验调整).在完成编码以后，我们需要确定适应函数。对于分类问题，我们把所有的数据送入神经网络，网络的权重有粒子的参数决定。然后记录所有的错误分类的数目作为那个粒子的适应值。现在我们就利用PSO来训练神经网络来获得尽可能低的错误分类数目。PSO本身并没有很多的参数需要调整。所以在实验中只需要调整隐含层的节点数目和权重的范围以取得较好的分类效果。 目标函数是什么 还有约束条件 这个比较专业，为什么不去请教一下数学系的教授？ 我这里有一个粒子群的完整范例：<群鸟觅食的优化问题>function main()clc;clear all;close all;tic; %程序运行计时E0=; %允许误差MaxNum=100; %粒子最大迭代次数narvs=1; %目标函数的自变量个数particlesize=30; %粒子群规模c1=2; %每个粒子的个体学习因子，也称为加速常数c2=2; %每个粒子的社会学习因子，也称为加速常数w=; %惯性因子vmax=; %粒子的最大飞翔速度x=-5+10*rand(particlesize,narvs); %粒子所在的位置v=2*rand(particlesize,narvs); %粒子的飞翔速度%用inline定义适应度函数以便将子函数文件与主程序文件放在一起，%目标函数是：y=1+(*(1-x+2*x.^2).*exp(-x.^2/2))%inline命令定义适应度函数如下：fitness=inline('1/(1+(*(1-x+2*x.^2).*exp(-x.^2/2)))','x');%inline定义的适应度函数会使程序运行速度大大降低for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); endendpersonalbest_x=x;personalbest_faval=f;[globalbest_faval i]=min(personalbest_faval);globalbest_x=personalbest_x(i,:);k=1;while k<=MaxNum for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); end if f(i) 毕业论文（设计）题目: 粒子群算法及其在任务调度中的应用 题目类型 理论研究 题目来源 教师科研题 毕业论文（设计）时间从 2008年2月24日至 2008年6月14日 1毕业论文（设计内容要求）： 多处理机调度问题是指有n台相同的处理机和m个独立的作业, 处理机以互不相关的方式处理作业,其中，任何作业可以在任何一台处理机上运行,但未完工前不允许中断作业,作业也不能拆分成更小的作业,使n个作业在尽可能短的时间内由这m台相同的处理机完成。粒子群算法是模拟鸟群觅食的过程,采用速度- 位置模型进行搜索。每个优化问题的解都是搜索空间的一只鸟,称为粒子,粒子群中的每个粒子通过追随个体最优粒子和全局最优粒子进行搜索. 本课题要求学生查找资料，学习、理解、掌握遗传算法的基本思想，总结遗传算法的改进方法，选定一种粒子群算法应用到多处理机调度问题并编程实现该算法，对该算法与首次最优匹配法在调度长度上进行实验比较 。 通过本次毕业设计，学生懂得如何查找资料并对资料进行分析总结，培养科研与独立分析问题的能力，掌握一门程序开发语言，培养程序开发技巧和能力。 1、机械产品杂交集成设计及产品基因库的构建2、一种用于散货码头的GPS精度提升算法3、带硬涂层圆盘构件的固有振动特性的精确解法4、滚动冲击压实机静态仿真分析5、连通式油气悬挂系统阻尼特性分析6、解析动力学7、基于运动学分析的挖掘机器人轨迹规划新方法8、非线性振动理论在脑电信号分析中的应用9、污泥混合搅拌机械动力需求仿真与估算10、桥式起重机与门式起重机轻量化设计的关键要素11、基于改进微粒群算法的起重机主梁优化设计12、大型筒式柴油打桩锤冲击活塞动应力分析13、DA-HA闭式控制系统在工程机械中的应用14、高速伸缩臂叉车静液压控制系统分析设计15、铰接式装载机双油缸驱动转向机构布置设计分析 人机博弈。要多难都可以。 这个比较专业，为什么不去请教一下数学系的教授？ 目标函数是什么 还有约束条件 1 引 言 磁性纳米粒子是近年来发展起来的一种新型材料，因其具有独特的磁学特性，如超顺磁性和高矫顽力，在生物分离和检测领域展现了广阔的应用前景[1]。同时，因磁性氧化铁纳米粒子具有小尺寸效应、良好的磁导向性、生物相容性、生物降解性和活性功能基团等特点[2～4]， 在核磁共振成像、靶向药物、酶的固定、免疫测定等生物医学领域表现出潜在的应用前景[5～7]。但由于其较高的比表面积，强烈的聚集倾向，所以通常对其表面进行修饰，降低粒子的表面，能得到分散性好、多功能的磁性纳米粒子。对磁性纳米粒子的表面进行特定修饰，如果在修饰后的粒子上引入靶向剂、药物分子、抗体、荧光素等多种生物分子，可以改善其分散稳定性和生物相容性， 以实现特定的生物医学应用。此外，适当的表面修饰或表面功能化还可以调节磁性纳米粒子表面的反应活性[8]，从而使其应用在细胞分离、蛋白质纯化、核酸分离和生物检测等领域。本文介绍了磁性氧化铁纳米粒子的制备方法， 比较了各种制备方法的优缺点，并对其在生物分离及检测中应用的最新进展进行了评述。2 磁性氧化铁纳米粒子的合成方法 磁性纳米粒子的制备是其应用的基础。目前已发展了多种合成和制备方法，如共沉淀法、水热合成法、溶胶凝胶法和微乳液法等，上述方法均可制备高分散、粒度分布均匀的纳米粒子，并能方便地对其表面进行化学修饰，这些方法的优点和缺点见表1。 在这些合成方法当中，共沉淀法是水相合成氧化铁纳米粒子最常用的方法。该方法制备的磁性纳米颗粒具有粒径小，分散均匀，高度生物相容性等优点，但制得的颗粒存在形状不规则，结晶差等缺点。通过在反应体系中加入柠檬酸，可得到形状规则、分散性好的纳米粒子。利用这种方法合成的磁性纳米材料被广泛应用在生物化学及生物医学等领域[9]。微乳液法制备纳米粒子，产物均匀、单分散，可长期保持稳定，通过控制胶束、结构、极性等，可望从分子规模来控制粒子的大小、结构、特异性等。微乳液合成的磁性纳米粒子仅溶于有机溶剂，其应用受到限制。通常需要在磁性纳米粒子的表面修饰上亲水分子，使其溶于水，从而能应用于生物、医学等领域。 热分解法是有机相合成氧化铁纳米粒子最多也是最稳定的方法。利用热分解法制备的纳米Fe3O4颗粒产物具有好的单分散性，且呈疏水性，可以长期稳定地分散于非极性有机溶剂中。该方法合成的氧化铁纳米粒子虽然具有粒径均一的特点，但必须在其表面偶联亲水性及生物相容性好的生物分子或制备成核壳结构，才可用于生物医学领域。表1 磁性氧化铁纳米粒子的制备方法（略）此外，绿色化学和生物方法合成氧化铁纳米粒子也备受关注[28,29]。磁性氧化铁纳米粒子除具有的表面效应、小尺寸效应、量子效应、宏观量子隧道效应等纳米粒子基本特性外，它同时还具有超顺磁特性、类酶催化特性和生物相容性等特殊性质，因此在医学和生物技术领域中的应用引起了人们的广泛兴趣。 3 磁性氧化铁纳米材料在生物分离与生物检测的应用 磁性氧化铁纳米材料在生物分离的应用 磁性氧化铁纳米粒子可以通过外界磁场来控制纳米粒子的磁性能，从而达到分离的目的，如细胞分离[30，31]、蛋白分离[32] 和核酸分离[33]等。此外磁性氧化铁纳米粒子由于兼有纳米、磁学和类酶催化活性等性能，不仅能够实现被检测物的分离和富集，而且能够使检测信号放大，在生物分析领域也都具有很好的应用前景[34，35]。磁性纳米粒子（MNP）能够应用于这些领域主要基于它的表面化学修饰，包括非聚合物有机固定、聚合物有机固定、无机分子固定及靶向配体修饰等[36]（图1）。纳米粒子表面功能化修饰是目前研究的热点。 磁性氧化铁纳米材料在细胞分离方面的应用 细胞分离技术的目的是快速获得所需目标细胞。传统细胞分离技术主要根据细胞的大小、形态以及密度的差异进行分离，如采用微滤、超滤以及超离心等方法。这些方法操作简单，但是特异性差，而且存在纯度不高、制备量偏小、影响细胞活性等缺点，因此未能被广泛地用于细胞的纯化研究[37]。近年来，随着对磁性纳米粒子研究的深入，人们开始利用磁性纳米粒子来分离细胞[38,39]。如磁性氧化铁纳米粒子在其表面接上具有生物活性的吸附剂或配体（如抗体、荧光物质、外源凝结素等），利用它们与目标细胞的特异性结合，在外加磁场的作用下将细胞分离、分类以及对其种类、数量分布进行研究。张春明等[40]运用化学连接方法将单克隆抗体CD133连接到SiO2/Fe3O4复合粒子的表面得到免疫磁性Fe3O4纳米粒子，利用它分离出单核细胞和CD133细胞。经培养后可以看出，分离出来的CD133细胞与单核细胞一样，具有很好的活性，能够正常增殖形成集落，并且在整个分离过程中对细胞的形态以及活性没有明显的毒副作用，这与Kuhara等[30]]报道的采用磁分离技术分离CD19+和CD20+细胞的结果一致。Chatterjee等[39]采用外源凝结素分别修饰聚苯乙烯包被的磁性Fe3O4微球和白蛋白磁性微球，利用凝结素与红细胞良好的结合能力，快速、高效的分离了红细胞。此外，磁性粒子在分离癌细胞和正常细胞方面的动物实验也已获得成功。 磁性氧化铁纳米材料在蛋白质和核酸分离中的应用 利用传统的生物学技术（如溶剂萃取技术等）来分离蛋白质和核酸程序非常繁杂，而磁分离技术是分离蛋白、核酸及其他生物分子便捷而有效的方法。目前在外磁场作用下，超顺磁性氧化铁纳米粒子已广泛应用于蛋白质和核酸的分离。 Liu等[41]利用聚乙烯醇等表面活性剂存在下制备出共聚磁性高分子微球，表面用乙二胺修饰后用于分离鼠腹水抗体，得到很好的分离效果。Xu等[42]在磁性氧化铁纳米粒子表面偶联多巴胺分子，用于多种蛋白质的分离纯化。多巴胺分子具有二齿烯二醇配体，它可以与氧化铁纳米粒子表面配位不饱和的Fe原子配位，形成纳米颗粒多巴胺复合物，此复合物可以进一步偶联次氨基三乙酸分子（NTA），NTA分子可特异螯合Ni＋，对于具有6×His标签的蛋白质的分离纯化方面表现出很高的专一性。Liu等[43]用硅烷偶联剂（AEAPS）对核壳结构的SiO2/Fe2O3复合粒子的表面进行处理，研究复合磁性粒子对牛血清白蛋白（BSA）的吸附情况，结果表明BSA与磁性复合粒子之间是通过化学键作用被吸附的，复合粒子对BSA的最大吸附量达86 mg/g，显示出在白蛋白的分离和固定上有很大的应用潜力。Herdt等[44]利用羧基修饰的吸附/解离速度快的核壳型（Fe3O4/PAA）磁性纳米颗粒与Cu2+亚氨基二乙酸（IDA）共价交联，通过Cu2+与组氨酸较强的亲和能力实现了组氨酸标记蛋白的选择性分离，分离过程如图2所示。 磁性纳米粒子也是核酸分子分离的理想载体[45]。DNA/mRNA含有单一碱基错位，它们的富集和分离在人类疾病诊断学、基因表达研究方面有着至关重要的作用。Zhao等[46]合成了一种磁性纳米基因捕获器，用于富集、分离、检测痕量的DNA/mRNA分子。这种材料以磁性纳米粒子为核，包覆一层具有生物相容性的SiO2保护层，表面再偶联抗生素蛋白维生素H分子作为DNA分子的探针，可以将10－15 mol/L DNA/mRNA有效地富集，并能实时监控产物。Tayor等[47]用硅酸钠水解法、正硅酸乙酯水解法制备SiO2/Fe2O3磁性纳米粒子并对DNA进行了分离。结果表明，SiO2功能化的Fe2O3磁性纳米粒子对DNA的吸附分离效果明显好于单独Fe2O3磁性纳米粒子的分离效果，但是其吸附机理有待进一步研究。 磁性氧化铁纳米材料在生物检测中的应用 基于磁学性能的生物检测磁性氧化铁纳米粒子因其特有的磁导向性、小尺寸效应及其偶联基团的活性，兼有分离和富集地作用，使其在生物检测领域有广泛的应用。当检测目标为低含量的蛋白分子时，不能通过聚合酶链反应（PCR）对其信号进行放大，而磁微球与有机染料或量子点荧光微球结合可以对某些特异性蛋白、细胞因子、抗原和核酸等进行多元化检测，实现信号放大的作用。Yang等[48]采用一对分子探针分别连接荧光光学条码（彩色）和磁珠（棕色），对DNA（顶端镶板）和蛋白质（底截镶板）生物分子进行目标分析（图3）。如果目标DNA序列或蛋白存在，它将与两个磁珠结合一起，形成了一个三明治结构，经过磁选，光学条码可以在单磁珠识别目标水平下，通过分光光度计或是在流式细胞仪读出。通过此方法检测目标分子是基于数百万个荧光基团组成的微米尺寸光学条码信号的扩增而检测出来，其基因和蛋白的检出限可达到amol/L量级，甚至更低。 Nam等［49］利用多孔微粒法（每个微粒可填充大量条形码DNA）和金纳米微粒为基础的比色法生物条形码检测技术检测了人白细胞介素2（IL2），检出限可达到30 amol/L，比普通的酶联免疫分析技术的灵敏度高3个数量级。Oh等 [50]利用荧光为基础的生物条形码放大方法检测了前列腺特异性抗原（PSA）的水平，其检出限也低于300 amol/L，而且实现了快速检测。 在免疫检测中，磁性纳米粒子作为抗体的固相载体，粒子上的抗体与特性抗原结合，形成抗原抗体复合物，在磁力作用下，使特异性抗原与其它物质分离，克服了放免和酶联免疫测定方法的缺点。这种分离具有灵敏度高、检测速度快、特异性高、重复性好等优点。Yang等[51]通过反相微乳液法制备了粒径很小的SiO2包覆的Fe3O4磁性纳米粒子，生物分子通过诱导这些高单分散的磁性纳米粒子可用于酶的固定和免疫检测。Lange等[52]采用直接或三明治固相免疫法（生物素基化抗IgG抗体和共轭连接链霉素的磁性纳米粒子组成三明治结构）和超导量子干涉法（SQUID），研究它们在确定抗原、抗体相互作用免疫检测中的应用，结果表明特异性键合的磁性纳米颗粒的驰豫信号大小依赖于抗原（人免疫球蛋白G，IgG）的用量，这种磁弛豫(Magnetic relaxation)免疫检测方法得到的结果与广泛使用的ELISA方法的结果相当。 因磁性纳米粒子独特的性能，在生物传感器上也有潜在的应用前景。Fan等［53］在磁珠上偶联被检测物的一级抗体，在金纳米颗粒上连接二级抗体，两者反应后，利用HClNaClBr2将Au氧化为Au3+，催化发光胺（Luminol）化学发光，人免疫球蛋白G（IgG）的检出限可达2 × 10－10 mol/L ，实现了磁性纳米颗粒化学发光免疫结合的方法对IgG进行生物传感分析（图4）。 类酶催化特性在生物检测中的应用 Cao等[54]发现Fe3O4磁性纳米粒子能够催化H2O2氧化3,3',5,5'四甲基联苯胺（TMB）、3,3'二氨基联苯胺四盐酸盐（DAB）和邻苯二胺（OPD），使其发生显色反应，具有类辣根过氧化物酶（HRP）活性（图5），而且其催化活性比相同浓度的辣根过氧化物酶高40倍。并且Fe3O4磁性纳米粒子可以运用磁分离手段进行重复性利用，显著降低了生物检测的实验成本，利用此特性可进行多种生物分子的检测。 利用葡萄糖氧化酶（GOx）与Fe3O4磁性纳米粒子催化葡萄糖的反应(见式（1）和(2))，通过比色法检测葡萄糖，其检测的灵敏度达到5×10－5 ～ 1×10－3 mol/L 。由于Fe3O4磁性纳米粒子制备简单、稳定性好、活性高，成本低，因而比普通酶更有竞争优势，这也为葡萄糖的检测提供了高灵敏度和选择性的分析方法，在生物传感领域的应用上展现了巨大的潜能，为糖尿病人疾病的诊断提供了快速、灵敏的检测方法。然而要提高检测灵敏度，合成催化效率高的Fe3O4磁性纳米粒子及多功能磁性纳米粒子是关键。Peng等[56]用电化学方法比较了不同尺寸Fe3O4纳米粒子的催化活性发现，随着尺寸的变小，磁性纳米粒子的催化活性变高。Wang等[57]制备的单分散哑铃型PtFe3O4纳米粒子，由于本身尺寸和结构特点，可更大限度地提高催化活性。本研究组已经合成了分散性好和磁性高的氧化铁纳米粒子并对其进行了表征，利用其磁学和催化特性，已开展了葡萄糖等生物分子的检测，该方法的检出限达到1 μmol/L，具有灵敏度高、操作简便和成本低等优点[58]。总之，Fe3O4磁性氧化铁纳米粒子不但具有显著的超顺磁性，而且具有类辣根过氧化物酶催化特性，可通过使用过氧化物敏感染料，设计了一系列（如乙肝病毒表面抗原等）的免疫检测模型[59]，因此超顺磁性纳米粒子在生物分离和免疫检测领域具有广阔的应用前景。4 结 语 随着纳米技术的迅速发展，磁性氧化铁纳米粒子的开发及其在生物医学、生物分析、生物检测等领域的潜在应用已经越来越受到重视，但同时也面临很多挑战和问题。（1）构建并制备尺寸小、粒径均一、分散性和生物相容性好及催化性能高的多功能磁性纳米粒子；（2）根据被检测生物分子的特点设计多功能磁性氧化铁纳米粒子，实现高灵敏度、特异性检测；（3）利用纳米氧化铁颗粒作为分子探针进行实时、在线、原位、活体和细胞内生物分子的检测。这些问题不仅是纳米材料在生物分子检测领域应用需要解决的难点，也是目前其进行生物分子检测研究的热点和重点。【参考文献】 1 Perez J M, Simeone F J, Saeki, Y, Josephson L, Weissleder R. J. Am. Chem. Soc., 2003, 125(34): 10192～101932 Kim G J, O'Regan R M, Nie S M. 2005 27th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2005，17：714～7163 LIU JunTao(刘军涛), LIU RuPing(刘儒平), WANG MiXia(王蜜霞), LIU ChunXiu(刘春秀), LUO JinPing(罗金平), CAI XinXia(蔡新霞). Chinese J. Anal. Chem.(分析化学), 2009， 37(7): 985～9884 Lang C, Schuler D, Faivre D. Macromol. Biosci., 2007, 7(2): 144～1515 Silva G A. Surg. Neurol., 2007, 67(2)：113～1166 Corot C, Robert P, Idee J M, Port M. Adv. Drug Delivery. Rev., 2006, 58(14): 1471～15047 Kohler N, Sun C, Wang J, Zhang M Q. Langmuir., 2005, 21(19), 8858～88648 LI BaoYu(李宝玉). Biomedical Nanomaterials(纳米生物医药材料). Beijing（北京）: Chemical Industry Press(化学工业出版社), 2004: 1419 Tartaj P, Morales M P, GonzalezCarreno T, VeintemillasVerdaguer S, Serna C J. J. Magn. Magn. Mater., 2005, 290: 28～3410 ZHANG Xin(张 鑫), LI XinGang(李鑫钢), JIANG Bin(姜 斌). Chinese Chem. Industry. Eng.(化学工业与工程), 2006, 23(1): 45～4811 Wu J H, Ko S P, Liu H L, Jung M H, Lee J H, Ju J S, Kim Y K. Colloids Surf. A, 2008, 313／314: 268～27212 CHENG HaiBin(程海斌), LIU GuiZhen(刘桂珍), LI LiChun(李立春), GUAN JianGuo(官建国), Yuan RunZhang（袁润章）. J. Wuhan University of Technology(武汉理工大学学报), 2003, 25(5): 4～613 QIU XingPing(邱星屏). J. Xiamen University: Natural Science(厦门大学学报：自然科学版), 1999, 38(5): 711～71514 Mao B D, Kang Z H, Wang E B, Lian S Y, Gao L, Tian C G, Wang C L. Mater. Res. Bull., 2006, 41(12): 2226～223115 Fan R, Chen X H, Gui Z, Liu L, Chen Z Y. Mater. Res. Bull., 2001, 36(3～4): 497～50216 Wang H W, Lin H C, Yeh Y C, Kuo C H. J. Magn. Magn. Mater., 2007, 310(2): 2425～242717 Harris L A, Goff J D, Carmichael A Y, Riffle J S, Harburn J J, St Pierre T G, Saunders M. Chem. Mater., 2003, 15(6):1367～137718 SONG LiXian(宋丽贤), LU ZhongYuan(卢忠远), LIAO QiLong(廖其龙). J. Funct. Mater.(功能材料), 2005, 36(11): 1762～176819 Itoh H, Sugimoto T. J. Colloid. Interface. Sci., 2003, 265(2): 283～29520 Xu J, Yang H B, Fu W Y, Du K, Sui Y M, Chen J J, Zeng Y, Li M H, Zou G. J. Magn. Magn. Mater., 2007, 309(2): 307～31121 Li Z, Wei L, Gao M Y, Lei H. Adv. Mater., 2005, 17(8): 11301～11305 22 Sun S H, Zeng H. J. Am. Chem. Soc., 2002, 124(28): 8204～820523 Bang J H, Suslick K S. J. Am. Chem. Soc. 2007, 129(8): 224224 Vijayakumar R, Koltypin Y, Felner I, Gedanken A. Mater. Sci. Eng. A, 2000, 286(1): 101～10525 Pinkas J, Reichlova V, Zboril R, Moravec Z, Bezdicka P, Matejkova J. Ultrason. Sonochem．, 2008, 15(3): 257～26426 Khollam Y B, Dhage S R, Potdar H S, Deshpande S B, Bakare P P, Kulkarni S D, Date S K. Mater. Lett., 2002, 56(4): 571～57727 HAI YanBing(海岩冰), YUAN HongYan(袁红雁), XIAO Dan(肖 丹)． Chinese Chem. Res. Appl.(化学研究与应用), 2006, 18(6): 744～74628 Jun Y W, Huh Y. M, Choi J S, Lee J H, Song H T, Kim S, Yoon, S, Kim K S, Shin J S, Suh J S, Cheon J. J. Am. Chem. Soc., 2005, 127(16), 5732～573329 Bharde A A, Parikh R Y, Baidakova M, Jouen S, Hannoyer B, Enoki T, Prasad B L V, Shouche Y S, Ogale S, Sastry M. Langmuir, 2008, 24(11): 5787～579430 Kuhara M, Takeyama H, Tanaka T, Matsunaga T. Anal. Chem., 2004, 76(21): 6207～621331 Y, G. Biofuctionalization of Nanamaterials. WileyVCH: Weinheim 200532 Safarik I M S. Biomagn. Res. Technol., 2004, 2(1): 7 粒子滤波(PF: Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(Sequential Importance Sampling)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数 进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。尽管算法中的概率分布只是真实分布的一种近似，但由于非参数化的特点，它摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约，能表达比高斯模型更广泛的分布，也对变量参数的非线性特性有更强的建模能力。因此，粒子滤波能够比较精确地表达基于观测量和控制量的后验概率分布，可以用于解决SLAM问题。粒子滤波的应用粒子滤波技术在非线性、非高斯系统表现出来的优越性，决定了它的应用范围非常广泛。另外，粒子滤波器的多模态处理能力，也是它应用广泛有原因之一。国际上，粒子滤波已被应用于各个领域。在经济学领域，它被应用在经济数据预测；在军事领域已经被应用于雷达跟踪空中飞行物，空对空、空对地的被动式跟踪；在交通管制领域它被应用在对车或人视频监控；它还用于机器人的全局定位。粒子滤波的缺点虽然粒子滤波算法可以作为解决SLAM问题的有效手段，但是该算法仍然存在着一些问题。其中最主要的问题是需要用大量的样本数量才能很好地近似系统的后验概率密度。机器人面临的环境越复杂，描述后验概率分布所需要的样本数量就越多，算法的复杂度就越高。因此，能够有效地减少样本数量的自适应采样策略是该算法的重点。另外，重采样阶段会造成样本有效性和多样性的损失，导致样本贫化现象。如何保持粒子的有效性和多样性，克服样本贫化，也是该算法研究重点。粒子滤波的发展改进策略马尔可夫链蒙特卡洛(MCMC)方法通过构造Markov链，产生来自目标分布的样本，并且具有很好的收敛性。在SIS的每次迭代中，结合MCMC使粒子能够移动到不同地方，从而可以避免退化现象，而且Markov链能将粒子推向更接近状态概率密度函数(probability density function,(PDF))的地方，使样本分布更合理。基于MCMC改进策略的方法有许多，常用的有Gibbs采样器和MetropolisHasting方法。粒子滤波器(UPF)Unscented Kalman滤波器(UKF)是Julier等人提出的。EKF(Extended Kalman Filter)使用一阶Taylor展开式逼近非线性项，用高斯分布近似状态分布。UKF类似于EKF，用高斯分布逼近状态分布，但不需要线性化只使用少数几个称为Sigma点的样本。这些点通过非线性模型后，所得均值和方差能够精确到非线性项Taylor展开式的二阶项，从而对非线性滤波精度更高。Merwe等人提出使用UKF产生PF的重要性分布，称为Unscented粒子滤波器(UPF)，由UKF产生的重要性分布与真实状态PDF的支集重叠部分更大，估计精度更高。－Blackwellised粒子滤波器(RBPF)在高维状态空间中采样时,PF的效率很低。对某些状态空间模型，状态向量的一部分在其余部分的条件下的后验分布可以用解析方法求得，例如某些状态是条件线性高斯模型，可用Kalman滤波器得到条件后验分布，对另外部分状态用PF，从而得到一种混合滤波器，降低了PF采样空间的维数，RBPF样本的重要性权的方差远远低于SIR方法的权的方差，为使用粒子滤波器解决 SLAM问题提供了理论基础。而Montemerlo等人在2002年首次将Rao-Blackwellised粒子滤波器应用到机器人SLAM中，并取名为FastSLAM算法。该算法将SLAM问题分解成机器人定位问题和基于位姿估计的环境特征位置估计问题，用粒子滤波算法做整个路径的位姿估计，用EKF估计环境特征的位置，每一个EKF对应一个环境特征。该方法融合EKF和概率方法的优点，既降低了计算的复杂度，又具有较好的鲁棒性。最近几年，粒子方法又出现了一些新的发展，一些领域用传统的分析方法解决不了的问题，现在可以借助基于粒子仿真的方法来解决。在动态系统的模型选择、故障检测、诊断方面，出现了基于粒子的假设检验、粒子多模型、粒子似然度比检测等方法。在参数估计方面，通常把静止的参数作为扩展的状态向量的一部分，但是由于参数是静态的，粒子会很快退化成一个样本，为避免退化，常用的方法有给静态参数人为增加动态噪声以及Kernel平滑方法，而Doucet等提出的点估计方法避免对参数直接采样，在粒子框架下使用最大似然估计(ML)以及期望值最大(EM)算法直接估计未知参数。粒子群算法拓扑结构的研究论文
粒子群毕业论文
微粒群算法优化的毕业论文
粒子研究论文