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.
The basic idea of the Particle Filter (PF), also known as the sequential Monte Carlo method, is to approximate the probability density function of the system with some discrete random sampling points to obtain a minimum variance estimate of the state. A set of particles to represent possible system states continuously updates the estimate by incorporating weights and observations. However, problems of sample impoverishment and reduced particle diversity arise as the weight of most particles becomes negligible after a few iterations. This paper introduces the incorporation of the Artificial Bee Colony (ABC) algorithm into the standard PF to improve the performance of the Particle Filter (PF) algorithm in state estimation for nonlinear and non-Gaussian systems. To solve the problems of the PF, the ABC algorithm is incorporated into the PF algorithm after the resampling stage, allowing the particles to more efficiently converge to the desired probability distribution. The proposed approach aims to better represent the true state of the system and increase the number of important particles by developing particles with the highest weights by utilising the strengths of the ABC algorithm. The proposed method is compared with conventional PF and PF optimised by Particle Swarm Optimisation (PSO) algorithm. A computer simulation is carried out to demonstrate the effectiveness of the ABC-based algorithm. The simulation results show that the proposed new ABC-based algorithm significantly improves the prediction accuracy compared to the standard Particle Filter.
