بررسي مسيله تخمين از ديدگاه بهينه سازي مقيد و طراحي تخمين گر تكاملي

A Study of Estimation Problem from Viewpoint of Conditional Optimization and Designing of Evolutionary Estimator

در اين مقاله، به مسيله تخمين به صورت يك مسيله بهينه سازي مقيد توجه شده و سپس با استفاده از روش‌هاي تكامل تفاضلي (DE) و اجتماع ذرات (PSO) حل شده است. فيلتر‌ پيشنهادي به طور تصادفي در فضاي حالت‌هاي سيستم شروع به جستجو مي‌كند و بهترين تخمين را در هر لحظه به دست مي‌آورد. عملكرد فيلتر پيشنهادي مبتني بر تكامل تفاضلي و اجتماع ذرات با فيلتر كالمن توسعه يافته (EKF) و فيلتر ذره‌اي، براي يك سيستم غيرخطي در شرايط مختلف با هم مقايسه شده است. نتايج شبيه‌سازي‌ها نشان مي‌دهد كه عملكرد فيلترهاي تكاملي در شرايط مختلف به مراتب بهتر از فيلتر كالمن توسعه يافته و فيلتر ذره‌اي است.

In this paper, estimation problem is considered as a conditional optimization problem and then is solved using both differential evolution (DE) and particle swarm optimization (PSO).The proposed filter searches stochastically along the state space and obtains the best estimation at any time. The performance of the proposed filter, based on differential evolution (DE) and particle swarm optimization (PSO), is compared with extended Kalman filter (EKF) and with particle filter in different conditions for a non-linear system. Simulation results show that the performance of evolution filters in different conditions is superior to extended Kalman and particle filters.