本書是一本介紹智能優(yōu)化算法及優(yōu)化非線性系統(tǒng)狀態(tài)估計方法的著作，主要涉及的內(nèi)容有：群體智能優(yōu)化算法，非線性系統(tǒng)的狀態(tài)估計方法。其中，在群體智能優(yōu)化算法上，詳細(xì)介紹了主要算法的產(chǎn)生背景、算法流程，并附有詳細(xì)的MATLAB源代碼；在非線性系統(tǒng)狀態(tài)估計方面，又分為三方面內(nèi)容，分別是基于群體智能算法對粒子濾波的改進(jìn)與優(yōu)化、擴(kuò)展卡爾曼濾波的改進(jìn)、基于其他思想和應(yīng)用場景對粒子濾波的改進(jìn)。在書中，不但闡述了主要的非線性系統(tǒng)狀態(tài)估計方法的步驟，而且還有作者本人在該領(lǐng)域的最新研究成果和發(fā)展方向，故而具有較高的出版價值。本書適用于廣大從事智能優(yōu)化算法和信息融合的研究人員、工程技術(shù)人員。
利用群體智能優(yōu)化算法（Swarm Intelligence Optimization Algorithm，SIOA）對PF進(jìn)行優(yōu)化具有較強(qiáng)的代表性，為此，作者首先介紹8種常見的群體智能算法，如粒子群算法、雞群算法和蟻群算法等。而較多的學(xué)者都是基于粒子群算法對PF進(jìn)行優(yōu)化的，其基本思路也為其他研究人員提供了重要的借鑒意義；而基于其他智能優(yōu)化算法對PF進(jìn)行優(yōu)化也得以快速發(fā)展，如先對螢火蟲算法、蝙蝠算法和差分進(jìn)化算法等進(jìn)行改進(jìn)，再對PF進(jìn)行優(yōu)化。在分析和總結(jié)眾多學(xué)者的研究思路的基礎(chǔ)上，作者重點(diǎn)研究了利用布谷鳥算法和煙花算法對PF進(jìn)行改進(jìn)和優(yōu)化的方法。其基本思想是：由于蝙蝠算法和螢火蟲算法易陷入局部最優(yōu)問題，而煙花算法具有很好的隨機(jī)性和全局收斂性，因此，基于這些算法對PF進(jìn)行改進(jìn)和優(yōu)化而提出了FWA-PF。然后重點(diǎn)分析了FWA-PF的收斂性，以及煙花爆炸半徑、火花數(shù)對粒子多樣性及PF性能的影響。另外，作者也探索了利用布谷鳥算法對PF進(jìn)行優(yōu)化的方法，以及基于多新息理論對PF進(jìn)行優(yōu)化的方法。在群體智能優(yōu)化算法優(yōu)化粒子濾波的基礎(chǔ)上，本書最后一章也介紹了其他學(xué)者基于其他方法和思想對PF的改進(jìn)，這也為我們的研究提供了重要的借鑒作用。
EKF作為另一個解決非線性系統(tǒng)狀態(tài)估計問題的標(biāo)準(zhǔn)方法，作者首先介紹了EKF的基本原理和方法，并重點(diǎn)介紹了基于多新息理論優(yōu)化EKF，以及其他如基于雁群PSO、模糊神經(jīng)網(wǎng)絡(luò)等對EKF優(yōu)化的方法。最后，介紹了作者本人的基于核偏最小二乘法（Kernel Partial Least Square，KPLS）對EKF進(jìn)行優(yōu)化的方法。
非線性狀態(tài)估計在科學(xué)研究和工程應(yīng)用領(lǐng)域具有重要價值，如工業(yè)過程中的狀態(tài)反饋控制、航空制導(dǎo)系統(tǒng)、飛行目標(biāo)跟蹤、故障診斷和生化反應(yīng)狀態(tài)提取等領(lǐng)域。然而，由于作者的研究成果和工程積累尚不十分豐富，書中難免有不足之處，敬請讀者不吝賜教。期望此書能起到拋磚引玉的作用，能為我國的科學(xué)研究和工程應(yīng)用貢獻(xiàn)微薄之力。
白曉波，男，陜西勉縣人，2010年于湖南大學(xué)獲得碩士學(xué)位，現(xiàn)為西安工程大學(xué)工程師，CCF會員，主要研究領(lǐng)域?yàn)樾畔⑷诤稀⒅悄苄畔⑻幚淼取?/span>
近五年，參與省部級與廳局級課題6項，以首作者在SCI期刊發(fā)表論文一篇，國際會議一篇，CSCD兩篇，核心期刊三篇。作為主要參與人獲得省部級獎2項、廳局級獎2項、行業(yè)協(xié)會獎3項。
第1章 研究背景
1．1 粒子濾波理論
1．2 小結(jié)
參考文獻(xiàn)
第2章 群體智能算法
2．1 粒子群優(yōu)化算法
2．2 螢火蟲算法
2．3 布谷鳥算法
2．4 雞群算法
2．5 蝙蝠算法
2．6 煙花算法
2．7 差分進(jìn)化算法
2．8 混合蛙跳算法
2．9 蟻群算法
2．10 小結(jié)
參考文獻(xiàn)
第3章 群體智能算法優(yōu)化粒子濾波
3．1 粒子群優(yōu)化算法優(yōu)化粒子濾波
3．2 其他基于PSO優(yōu)化PF方法
3．3 螢火蟲算法優(yōu)化粒子濾波
3．4 蝙蝠算法優(yōu)化粒子濾波
3．5 雞群算法優(yōu)化粒子濾波
3．6 混合蛙跳算法優(yōu)化粒子濾波
3．7 布谷鳥算法優(yōu)化粒子濾波
3．8 煙花算法優(yōu)化粒子濾波
3．9 小結(jié)
參考文獻(xiàn)
第4章 擴(kuò)展卡爾曼濾波
4．1 擴(kuò)展卡爾曼濾波
4．2 改進(jìn)的自適應(yīng)卡爾曼濾波
4．3 基于多新息理論優(yōu)化的EKF（MI-EKF）
4．4 -種新的改進(jìn)擴(kuò)展卡爾曼濾波
4．5 改進(jìn)粒子群算法優(yōu)化的EKF
4．6 混雜擴(kuò)展卡爾曼濾波的改進(jìn)
4．7 基于雁群PSO的模糊自適應(yīng)EKF
4．8 模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化擴(kuò)展卡爾曼濾波
4．9 其他關(guān)于EKF的改進(jìn)研究
4．10 基于學(xué)習(xí)的KPLS優(yōu)化擴(kuò)展卡爾曼濾波
4．11 小結(jié)
參考文獻(xiàn)
書單推薦
