群智能混合算法在多目标数据关联中的应用

"用于多目标数据关联的群智能混合算法 (2012年)" 这篇2012年的学术论文来自《华南理工大学学报（自然科学版）》，由袁德平、史浩山和郑娟毅等人撰写，研究的是多目标数据关联问题。在多目标跟踪系统中，数据关联是关键步骤，它涉及到如何正确地将传感器捕获的量测数据与实际的目标匹配。传统的数据关联方法，如最近邻数据关联(NNDA)、概率数据关联(PDA)、联合概率数据关联(JPDA)和多假设跟踪(MHT)，在处理复杂或多目标环境时存在效率和准确性的问题。 论文提出了一种结合蚁群优化(ACO)算法和粒子群优化(PSO)算法的群智能混合算法来解决这一挑战。首先，通过设置跟踪门来筛选出与目标相关的有效量测，然后利用新息的似然函数来量化量测与目标之间的关联程度，构建了一个多目标数据关联的组合优化模型。接着，论文应用了交叉变异的PSO算法，寻找这个优化模型的次优解，以此作为ACO算法的初始位置和信息素值。ACO算法进一步对目标函数的解进行精细化搜索，以期望找到更优解。 通过仿真实验，这种混合算法被证明能显著提高数据关联的准确性和算法的收敛速度。这表明，智能优化算法如ACO和PSO的结合在处理多目标数据关联问题上具有潜力，可以有效降低计算复杂性，同时提高追踪性能，尤其适用于多目标密集环境。 关键词涵盖了数据关联、多目标跟踪、蚁群优化和粒子群优化，表明该研究工作主要集中在利用这些优化技术解决多目标数据关联的难题。论文的创新点在于将两种不同的群智能算法结合，以克服单一算法可能存在的局限性，提供了一种更高效的数据关联策略。