Doğrusal Olmayan Sistem Durum Tahmini İçin Yapay Arı Kolonisi Algoritması Tabanlı Yeni Bir Parçacık Filtresi

Yıl 2025, Cilt: 41 Sayı: 1, 175 - 189, 30.04.2025

Fatma Selcen Turgun , Hasan Zorlu

Öz

Sıralı Monte Carlo yöntemi olarak da bilinen Parçacık Filtresinin (PF) temel fikri, durumun minimum varyans tahminini elde etmek için sistemin olasılık yoğunluk fonksiyonunu bazı ayrık rastgele örnekleme noktaları ile yaklaştırmaktır. Olası sistem durumlarını temsil etmek için bir dizi parçacıklar, ağırlıkları ve gözlemleri dâhil ederek tahmini sürekli olarak günceller. Bununla birlikte, çoğu parçacığın ağırlığı birkaç yinelemeden sonra ihmal edilebilir hale geldiğinden parçacık fakirleşmesi ve parçacık çeşitliliğinin azalması sorunları ortaya çıkar. Bu makale, doğrusal olmayan ve Gauss olmayan sistemler için durum tahmininde Parçacık Filtresi (PF) algoritmasının performansını artırmak için Yapay Arı Kolonisi (YAK) algoritmasının standart PF’ye dâhil edilmesini tanıtmaktadır. PF’nin sorunlarını çözmek için YAK algoritması, PF’nin yeniden örnekleme aşamasından sonra algoritmaya dâhil edilir ve parçacıkların istenen olasılık dağılımına daha etkin bir şekilde yaklaşmalarını sağlar. Önerilen yaklaşım, YAK algoritmasının güçlü yönlerinden yararlanarak en yüksek ağırlıklara sahip parçacıkları geliştirerek, sistemin gerçek durumunu daha iyi temsil etmeyi ve önemli parçacıkların sayısını artırmayı amaçlamaktadır. Önerilen yöntem, geleneksel PF ve Parçacık Sürü Optimizasyon (PSO) algoritmasıyla optimize edilmiş PF ile karşılaştırılmıştır. YAK tabanlı algoritmanın etkinliğini göstermek için bir bilgisayar simülasyonu gerçekleştirilmiştir. Simülasyon sonuçları, önerilen YAK tabanlı yeni algoritmanın tahmin doğruluğunu standart Parçacık Filtresine kıyasla önemli ölçüde iyileştirdiğini göstermektedir.

Anahtar Kelimeler

Durum tahmini, Parçacık filtresi, Yapay arı kolonisi, Parçacık sürü optimizasyon algoritması

Kaynakça

• Nobahari, H., Sharifi, A., 2012, A novel heuristic filter based on ant colony optimization for non-linear systems state estimation, Computational Intelligence and Intelligent Systems: 6th International Symposium, ISICA 2012, Wuhan, China, October 27-28.
• Brayson, J., Ho, Y., 1969, Applied Optimal Control, Blaisdell Publishing Company, Waltham.
• Siouris, J., 1995, An Engineering Approach to Optimal Control and Estimation Theory, Air Force Institute of Technology, New York.
• Ristic, B., Arulampalam, S., Gordon, N., 2004, Beyond the Kalman Filter, Artech House, London.
• Kalman, R. E., 1960, A new approach to linear filtering and prediction problems, Transaction of the ASME Journal Basic Engineering 82(Series D), 35–45.
• Jazwinski, A. H., 1970, Stochastic Processes and Filtering Theory, Academic Press, New York.
• Julier, S. J., Uhlmann, J. K., 1997, A new extension of the Kalman filter to nonlinear systems, In: AeroSense 11th International Symposium Aerospace Defense Sensing, Simulation and Controls, pp. 182–193.
• Carpenter, J., Clifford, P., Fernhead, P., 1997, An improved particle filter for non-linear problems, IEE Proceedings, Radar Sonar and Navigation 146, 2–7.
• Cao, T., et al., 2020, Differential Evolution Optimized a Second-Order Divided Difference Particle Filter, J. Electr. Comput. Eng. 2020, 1-9.
• Arulampalam, M. S., Maskell, S., Gordon, N., Clapp, T., 2002, A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking, IEEE Transactions on Signal Processing 50(2), 174–188.
• Hou, Y., et al., 2022, A multi-objective discrete particle swarm optimization method for particle routing in distributed particle filters, Knowledge-Based Systems 240: 108068.
• Zhang, Q. B., Wang, P., Chen, Z. H., 2019, An improved particle filter for mobile robot localization based on particle swarm optimization, Expert Syst. Appl. 135, 181-193.
• Meng, Z., Mei, J., Yu, C., 2022, Firefly optimized particle filter algorithm based on adaptive differential evolution, J. Phys. Conf. Ser. Vol. 2187. No. 1. IOP Publishing.
• Higuchi, T., 1997, Monte Carlo filter using the genetic algorithm operators, J. Stat. Comput. Simul. 59(1), 1–23.
• Park, S., Hwang, J. P., Kim, E., Kang, H., 2009, A new evolutionary particle filter for the prevention of sample impoverishment, IEEE Transection on Evolutionary Computation 13(4), 801–809.
• Turgun, F. S., Zorlu, H., 2023, Parçacık Filtresinin Optimizasyonu için Genetik Algoritma Tabanlı Yeni Bir Yaklaşım, Bozok Journal of Engineering and Architecture, 2(1), 24-33.
• Troma, P., Szepesvari, C., 2001, LS-N-IPS: An improvement of particle filters by means of local search, In: Proc. Non-Linear Control Systems (NOLCOS 2001), St. Petersburg, Russia.
• Zhong, J., Fung, Y., Dai, M., 2010, A biologically inspired improvement strategy for particle filter: Ant Colony Optimization Assisted Particle Filter, Int. J. Control Autom. Syst. 8(3), 519–526.
• Hao, Z., Zhang, X., Yu, P., Li, H., 2010, Video object tracing based on particle filter with ant colony optimization, IEEE, 232–236.
• Tong, G., Fang, Z., Xu, X., 2006, A particle swarm optimized particle filter for nonlinear system state estimation, In: IEEE Congress on Evolutionary Computation, pp. 438–442.
• Yang, J., et al., 2021, Particle filter algorithm optimized by genetic algorithm combined with particle swarm optimization, Procedia Comput. Sci. 187, 206-211.
• Gordon, N. J., Salmond, D. J., Smith, A. F. M., 1993, Novel approach to nonlinear/non-Gaussian Bayesian state estimation, IEEE Proceedings-F, vol. 140, no. 2, pp. 107-113.
• Zhang, T., et al., 2023, Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm, IEEE Access 11, 3062-3079.
• Kung, H., He, Z., 2018, Improved particle filter based on fruit fly optimization and its application in target tracking, Journal of Hunan University (Natural Sciences), 45(10), 130-138.
• Kennedy, J., Eberhart, R., 1995, Particle swarm optimization, In Proceedings of the IEEE International Conference on Neural Networks (Perth, Australia), IEEE Service Center, Piscataway, NJ, IV: pp. 1941-1948.
• Eberhart, R. C., Shi, Y., 2001, Tracking and optimizing dynamic systems with particle swarms, In Proceedings of the Congress on Evolutionary Computation, Seoul, Korea, 27–30 May, pp. 94–100.
• Park, J. B., 2010, An improved particle swarm optimization for nonconvex economic dispatch problems, IEEE Transactions on Power Systems, 25(1), 156-166.
• Tong, G., Fang, Z., Xu, X., 2006, A particle swarm optimized particle filter for nonlinear system state estimation, 2006 IEEE International Conference on Evolutionary Computation, IEEE.
• Bozkurt, F.S. 2023. Doğrusal olmayan parçacık filtresinin esnek hesaplama yöntemleri ile optimizasyonu. Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 74 s, Kayseri.
• Karaboğa, D., Kaya, E., 2017, Training ANFIS by using the artificial bee colony algorithm, Turkish Journal of Electrical Engineering and Computer Sciences, 25(3), 1669-1679.
• Karaboga, D., 2005, An idea based on honey bee swarm for numerical optimization, Vol. 200. Technical report-tr06, Erciyes University, Engineering Faculty, Computer Engineering Department.
• Aslan, S., Arslan, S., 2022, A modified artificial bee colony algorithm for classification optimisation, International Journal of Bio-Inspired Computation, 20(1), 11-22.
• Karaboga, D., Basturk, B., 2008, On the performance of artificial bee colony (ABC) algorithm, Appl. Soft Comput., 8, 687–697.
• Karaboga, D., Basturk, B., 2007, A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm, J. Global Optim., vol. 39, no. 3, pp. 459-471.
• Özbay, E., 2023, An active deep learning method for diabetic retinopathy detection in segmented fundus images using artificial bee colony algorithm, Artif Intell Rev 56, 3291–3318.
• Zhang, C., Li, L., 2014, Hybrid differential evolution particle filter for nonlinear filtering, The Applied Computational Electromagnetics Society Journal (ACES), 1133-1139.
• Pozna, C., et al., 2022, Hybrid particle filter–particle swarm optimization algorithm and application to fuzzy controlled servo systems, IEEE Transactions on Fuzzy Systems, 30.10, 4286-4297.
• Hou, Y., et al., 2022, A multi-objective discrete particle swarm optimization method for particle routing in distributed particle filters, Knowledge-Based Systems 240: 108068.
• Jingquan Zhang, Dian Wang, Peng Li, Shiyu Liu, Han Yu, Yuxin Xu, Ming Teng, Application of an improved particle filter for random seismic noise suppression, Journal of Geophysics and Engineering, Volume 18, Issue 6, December 2021, Pages 943–953, https://doi.org/10.1093/jge/gxab064
• Liu, B. 2017, March. Robust particle filter by dynamic averaging of multiple noise models. In 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 4034-4038). IEEE.
• Hodson, T. O., 2022, Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not, Geosci. Model Dev., 15(14), 5481-5487.