基于蚁群—遗传算法的改进多目标数据关联方法

张慧军

摘 要：蚁群算法，其实又被叫做蚂蚁算法，这是一种用在图形当中的算法，主要是寻找图中的优化路径。把蚁群算法同传统的遗传算法进行结合，那么就有了一种新的计算方法，就是多目标数据关联的方法，这种计算的方法是通过一个团体当中的个体将信息携带，并且把整个的信息要素模型进行了优化和扩张，这种算法也提高了计算的速度，局部出现极值的情况也避免了。而且还将交叉变异的方法和团体的接受力的模型引入了计算方法当中，经过大数法则的实验，表明了这种计算的方法不但能够将关联的准确率提高，还可以加快了关联的速度。

关键词：数据关联；蚁群算法；遗传算法

进入21世纪，各项科学技术都有了快速的发展，战场的环境越来越复杂，武器装备越来越先进，这种情况的出现，带了一种新的局面就是传感器数据融合技术的研究越来越受欢迎，国内国外很多的学者都对目标的数据关联方法进行了深入的研究。当中有一部分学者把目标数据关联的排列形式进行了优化重组，使其的表现方式更加的全面。最近几年当中，仿生算法变得愈加的成熟，一些学者专家把这种算法带入到多目标数据关联当中，并且进行了第一阶段的研究工作。仿真实验数据结果显示，通过改良的数据关联算法在实际的操作的时候，不论是准确性还是关联度，都具有非常显著性的优化效果。

1 以组合优化作为基本方法的多目标数据关联办法

1.1 多目标数据关联的基础样式

在观测区当中同时出现多个传感器对不同的区域进行观测的时候，数据之间的关联性其实就是一种观测分配的过程。在本文当中，主要就是利用拉格朗日松弛算法，在低维分配问题当中，把蚁群算法和传统的遗传算法进行结合，力求找到解决问题的最佳途径，结合来自于同一个目标的数量测定控制蚁群的最开始的形式，信息的要素就是变异办法的组成部分，在有次数限制的多次叠加的数据当中寻找到最好的解决办法，就可以达到数据关联的目的了。

1.2 大范围内的2维算法和多目标的数据关联

根据拉格朗日的松弛算法，多个2维的分配问题能够能够组成s-维分配问题的转化形式，使用的办法就是依靠拉格朗日乘子把相应的制约性条件放到代价函数当中，从而实现2维算法的目的，得出一个极小值，那么通过这一项就可以了解到一个最确切的下限，相应的可操作性的值就是一个确切的上限。这二者之间的差值就被叫做相同的对偶空隙，通过多次的叠加过程，得到一个不断优化完善了的拉格朗日乘子，这样就可以让对偶解和可行解呈现出最大的相似性。

2 蚁群-遗传算法在数据关联当中的使用

在多维算法当中，它的目的就是为了把整体的最小值用代价函数的方式表现出来，每一个蚁族的个体建立的具有关联性的记号做一个区域的划分，那么整个团体当中就能够取得一种集体的划分形式，在经过了多次的叠加工作之后，那么这一整个团体就会朝着最好的数值方向前进。ACDA在对蚁群算法的实际使用过程当中进行了一个最简单的研究工作，把蚁群算法和传统的遗传算法进行有机的结合，可以把这两种算法之间的优点进行融合，也就是把这样两种计算方法分成两种或者是多种的求解方法，在计算空间当中的二次优化过程的时候，每个不一样的算法还是存在着自身的缺点和不足的，比如说遗传算法当中的数值设置相对繁琐，而且对于计算的性能也会产生不小的影响，而蚁群算法的缺点就是工作开始的阶段收缩的速度非常的慢。把蚁群-遗传算法实际使用到数据关联的工作当中主要是从两个方面进行考虑，一个是航测-观测对的建立，另一个就是信息要素的模型设计。第一个方面的内容和关联的准确率直接挂钩，而第二个方面会对在计算的过程当中具体的操作时间和各种数据之间的叠加造成直观的影响。

3 结语

本文进行研究的主要方法就是在高目标高密度的条件之下进行各个目标之间的追踪工作，通过使用单个的蚂蚁携带的信息要素进行编码的操作，并且透过变异交叉的基本原则对整个的信息要素进行更新，能够良好的提高数据的关联效率和准确率，通过对遗传算法的结合，能够加快数值的收缩和提高运算的速度，然后可以透过各种信息之间的改变和完善，调整信息要素的模型建立，同时能够避免小范围内出现极值的现象，从而能够从多个目标范围当中实现数据据算的准确率和提高运行的速度。

[参考文献]

[1]袁东辉，刘大有，申世群.基于蚁群—遗传算法的改进多目标数据关联方法[J].通信学报.2011（06）.

[2]张波雷，许蕴山，夏海宝.一种基于自适应蚁群算法的数据关联方法[J].传感器与微系统，2012年08期.

[3]苏刚.声探测低空目标定位滤波算法及数据关联算法研究[D].杭州电子科技大学，2012年.