CN110286383A - 一种应用于目标跟踪的雷达和红外传感器部署方法 - Google Patents

Abstract

本发明公开了一种应用于目标跟踪的雷达和红外传感器部署方法，属于目标跟踪技术领域，包括以下步骤：对传感器部署进行建模，所述传感器包括雷达和红外传感器；构建并引入评分系统，将传感器部署量化为一个高维多峰值的优化问题；基于传统粒子群算法改进得到降维粒子群算法，对优化问题进行降维和迭代处理，求解全局最优解；根据全局最优解部署传感器。本发明解决了现有传感器部署方法存在不适用于目标跟踪的任务需求，部署模型无法实现多个异类传感器部署，以及对传感器进行优化部署的时候，容易陷入局部最优解的问题。

Description

一种应用于目标跟踪的雷达和红外传感器部署方法

技术领域

本发明属于目标跟踪技术领域，涉及一种应用于目标跟踪的雷达和红外传感器部署方法。

背景技术

目标跟踪是根据无线传感器网络(WSN)中各传感器获得的数据估计出目标的状态信息的过程。随着多源信息融合技术的发展，相比于使用单个传感器，多个异类传感器同时对目标进行跟踪被证明具有更高的跟踪精度。利用多源信息融合进行跟踪的主要技术有：扩展卡尔曼滤波、无迹卡尔曼滤波等。常用于跟踪的传感器包括雷达和红外传感器，在实际目标跟踪中，难以保证每个目标都能被多个异类传感器探测到，因此需要对传感器进行合理的部署，使每个目标在传感器数量有限的情况下，能被多个异类传感器探测到，再通过多源信息融合技术即可获得对目标较为精确的跟踪结果。

目前粒子群算法(PSO)被广泛运用在解决传感器优化部署问题上，基于PSO的改进算法，例如VFCPSO和PSGO，都在解决传感器覆盖面积最大化的问题上有良好的结果；VFCPSO算法利用虚拟力使粒子能够朝着更优解的方向移动，而PSGO将遗传算法和PSO 结合起来以解决粒子的早熟问题。但目前关于传感器部署问题的算法，都是在空间内对目标进行探测或者对空间的物理量进行监控时，使用的是大量成本较低的传感器，反馈回来的信息通常是探测范围内是否有目标，或范围内的物理量是否发生了变化，对于这种任务而言，覆盖率越大越好。因此以上算法主要针对的是如何使WSN覆盖面积最大这一点来部署传感器，这些方法均不适用于目标跟踪的任务需求。

而对于雷达或红外传感器对敌机或导弹进行跟踪的任务而言，无法做到在整个空间能被覆盖且全部覆盖的情况下布置雷达或红外传感器，成本太高，且容易被敌方发现，因此，需要用较少的传感器(雷达或红外传感器)进行部署从而实现对目标的跟踪。目前大部分的跟踪算法都主要针对如何融合多个传感器的量测以实现目标跟踪，却没有考虑目标是否在传感器的探测范围内。因此除了使用多源信息融合理论对已获得的量测进行融合，也需要确保在传感器数量较少的情况下，每个目标都在传感器的探测范围内，同时使用合理的传感器组合以提高传感器对目标的跟踪精度。

综上所述，目前现有传感器部署方法还存在以下问题：

1.没有针对目标跟踪的异类传感器部署模型；

2.现有的部署模型大多考虑覆盖率最大的问题，而在上文已经讨论过，覆盖率最大并不适合目标跟踪的任务需求；

3.大部分的部署模型都只考虑了单类传感器的部署，无法实现多个异类传感器或多模态的部署问题。

4.在使用PSO对传感器进行优化部署的时候，容易陷入局部最优解，无法得到最优的传感器部署方法，由此可能出现的结果是：在得到的传感器部署方法下，有部分传感器未被使用，但还存在目标没有被探测或所对应的传感器组合对其的跟踪精度不是最优的情况。

因此，针对上述问题，本发明提出了一种应用于目标跟踪的雷达和红外传感器部署方法。

发明内容

本发明的目的在于：提供了一种应用于目标跟踪的雷达和红外传感器部署方法，解决了现有传感器部署方法存在不适用于目标跟踪的任务需求，部署模型无法实现多个异类传感器部署，以及对传感器进行优化部署的时候，容易陷入局部最优解的问题。

本发明采用的技术方案如下：

一种应用于目标跟踪的雷达和红外传感器部署方法，包括以下步骤：

对传感器部署进行建模，所述传感器包括雷达和红外传感器；

构建并引入评分系统，将传感器部署量化为一个高维多峰值的优化问题；

基于传统粒子群算法改进得到降维粒子群算法，对优化问题进行降维和迭代处理，求解全局最优解；

根据全局最优解部署传感器。

进一步地，所述对传感器部署进行建模包括：

在空间中建模N_Ra个雷达和N_In个红外传感器对N_t个目标进行跟踪，所述目标的威胁度为雷达和红外传感器协同探测可获得目标的位置信息。

更进一步地，所述位置信息包括目标与雷达的距离d、目标的方位角θ和俯仰角

进一步地，所述构建并引入评分系统，将传感器部署量化为一个高维多峰值的优化问题包括：

构建出每一类传感器组合对目标跟踪精度影响的评分系统，并综合考虑传感器的测量精度和能耗，再引入评分系统，将传感器对目标i的跟踪精度高低简化为目标i在评分系统中得分P_i的高低，便将应用于目标跟踪的传感器部署量化为了一个高维多峰值的优化问题。

更进一步地，所述构建出每一类传感器组合对目标跟踪精度影响的评分系统，并综合考虑传感器的测量精度和能耗，具体包括：

先根据具体的场景和任务需求，构建出每一类传感器组合对目标跟踪精度影响的评分系统，在综合考虑了传感器的测量精度和能耗等性能后，具体评分应满足以下条件：

1)如果目标未被雷达探测到，由于缺乏目标距离信息，传感器无法对目标进行跟踪，评分为负；

2)如果目标被超过N_th个传感器探测到，虽然有高跟踪精度，但使用了过多的传感器，产生了资源浪费，评分低于被N_th个传感器探测的评分；

3)如果目标被同样多的传感器探测到，同时被两类传感器探测到的评分高于只被雷达探测到的评分；

4)如果目标被同类传感器探测到，在传感器数目不超过N_th个的情况下，传感器数目越多，评分越高。

进一步地，所述基于传统粒子群算法改进得到降维粒子群算法包括：

将粒子群算法中的线性惯性权重模型修改为非线性惯性权重模型，所述线性惯性权重模型为：

所述非线性惯性权重模型为：

进一步地，所述对优化问题进行降维和迭代处理，求解全局最优解包括：

使用传统PSO算法对优化问题进行初次求解：

设定迭代次数阈值为t_th，在对3(N_Ra+N_In)维的粒子寻优过程中，如果经过t_th次迭代得到的结果不变，则停止本次粒子群算法；

寻找空闲传感器并对粒子群算法进行降维处理，求解全局最优解：

从传感器和目标两方面判断该解是否为全局最优，对于传感器而言，根据探测情况判断是否存在空闲传感器；对于目标而言，判断是否每个目标都达到了最高评分；如果有目标没有达到最高评分且存在m个空闲传感器S＝[x₁,y₁,z₁,...,x_m,y_m,z_m]，则保持其他传感器位置不变，只对空闲传感器在空间中进行寻优，如果经过t_th次迭代得到的结果不变，则停止本次粒子群算法，重复上述过程直至没有空闲传感器；

经过降维粒子群算法后，全局搜索能力得到了加强，粒子的维数由3(N_Ra+N_In)至少降至3m维。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.一种应用于目标跟踪的雷达和红外传感器部署方法，通过引入评分系统，结合传感器自身的目标跟踪性能对传感器进行部署，实现了在目标跟踪领域对异类传感器部署问题的建模。降维粒子群算法(DRPSO)通过改进惯性权重模型与调整算法结构，在粒子维数较高时也能获得相比传统粒子群算法(PSO)更接近全局最优解的结果，且大大减小了迭代次数。

2.本发明与现有技术相比，扩展了传感器部署的应用领域，使经过部署后的目标能够被合理的传感器组合探测到，量测更加准确，经过多源信息融合技术后，对目标的跟踪精度更高。

3.本发明还提出了解决高维粒子群算法(PSO)容易陷入局部最优解的改进算法，即降维粒子群算法(DRPSO)，使适应度函数能在较少次的迭代后接近全局最优解。

4.本发明对于目标跟踪而言，越快找到传感器的优化部署位置，越能够尽快的获得目标的量测以进行跟踪，以满足目标跟踪的实时性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：

图1是一种应用于目标跟踪的雷达和红外传感器部署方法的流程图；

图2是本发明实施例一中三种算法的性能比较图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处描述和附图中示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

一种应用于目标跟踪的雷达和红外传感器部署方法，解决了现有传感器部署方法存在不适用于目标跟踪的任务需求，部署模型无法实现多个异类传感器部署，以及对传感器进行优化部署的时候，容易陷入局部最优解的问题。

一种应用于目标跟踪的雷达和红外传感器部署方法，如图1所示，包括以下步骤：

对传感器部署进行建模，所述传感器包括雷达和红外传感器；

构建并引入评分系统，将传感器部署量化为一个高维多峰值的优化问题；

基于传统粒子群算法(PSO)改进得到降维粒子群算法(DRPSO)，对优化问题进行降维和迭代处理，求解全局最优解；

根据全局最优解部署传感器。

本发明通过引入评分系统，结合传感器自身的目标跟踪性能对传感器进行部署，实现了在目标跟踪领域对异类传感器部署问题的建模。降维粒子群算法(DRPSO)通过改进惯性权重模型与调整算法结构，在粒子维数较高时也能获得相比传统粒子群算法(PSO)更接近全局最优解的结果，且大大减小了迭代次数。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

实施例一

本发明的较佳实施例，提供了一种应用于目标跟踪的雷达和红外传感器部署方法，包括以下步骤：

步骤1：对传感器部署进行建模：

所述传感器包括雷达和红外传感器，在空间中建模N_Ra个雷达和N_In个红外传感器对 N_t个目标进行跟踪，所述目标的威胁度为雷达和红外传感器协同探测可获得目标的位置信息；所述位置信息包括目标与雷达的距离d、目标的方位角θ和俯仰角

步骤2：构建并引入评分系统，将传感器部署量化为一个高维多峰值的优化问题：

构建出每一类传感器组合对目标跟踪精度影响的评分系统，并综合考虑传感器的测量精度和能耗，再引入评分系统，将传感器对目标i的跟踪精度高低简化为目标i在评分系统中得分P_i的高低，便将应用于目标跟踪的传感器部署量化为了一个高维多峰值的优化问题；

所述构建出每一类传感器组合对目标跟踪精度影响的评分系统，并综合考虑传感器的测量精度和能耗，根据实际情况构建，具体包括：

先根据具体的场景和任务需求，构建出每一类传感器组合对目标跟踪精度影响的评分系统，在综合考虑了传感器的测量精度和能耗等性能后，具体评分应满足以下条件：

1)如果目标未被雷达探测到，由于缺乏目标距离信息，传感器无法对目标进行跟踪，评分为负；

2)如果目标被超过N_th个传感器探测到，虽然有高跟踪精度，但使用了过多的传感器，产生了资源浪费，评分低于被N_th个传感器探测的评分；

3)如果目标被同样多的传感器探测到，同时被两类传感器探测到的评分高于只被雷达探测到的评分；

4)如果目标被同类传感器探测到，在传感器数目不超过N_th个的情况下，传感器数目越多，评分越高；

本实施例以N_th＝3为例，评分系统如表1所示：

表1

其中，x≥0,y+z＞3，评分满足如下关系：

p₁≈p₂＞p₃＞p₈＞p₄＞p₅＞p₆＞＞p₇。

所述再引入评分系统，将传感器对目标i的跟踪精度高低简化为目标i在评分系统中得分P_i的高低，便将应用于目标跟踪的传感器部署量化为了一个高维多峰值的优化问题，具体包括：

设定待部署的雷达坐标为：

设定待部署的红外传感器坐标为：

设定目标在评分系统中的评分为：

则对传感器的部署便量化为了当WP^T最大时，对向量X＝[R I]的求解，其中，向量X共有3(N_Ra+N_In)维。

步骤3：基于传统粒子群算法(PSO)改进得到降维粒子群算法(DRPSO)，对优化问题进行降维和迭代处理，求解全局最优解：

由于向量X的维数较高，使用传统的粒子群算法(PSO)易陷入局部最优解，且由于同类传感器之间互相等效，在空间中存在多个全局最优解，因此，需要对传统的粒子群算法(PSO)进行改进；

将粒子群算法(PSO)中通常使用的线性惯性权重模型修改为非线性惯性权重模型，目的是增加粒子全局搜索的时间，如果粒子在全局搜索过程中无法接近其中一个全局最优解，在局部搜索中也难以靠近全局最优解，所述线性惯性权重模型为：

所述非线性惯性权重模型为：

所述对优化问题进行降维和迭代处理，求解全局最优解包括：

步骤1)使用传统PSO算法对优化问题进行初次求解：

设定迭代次数阈值为t_th，在对3(N_Ra+N_In)维的粒子寻优过程中，如果经过t_th次迭代得到的结果不变，则停止本次粒子群算法(PSO)；

定义适应度函数：f(X)＝WP^T，

其中，X表示所有传感器的位置，W是目标的威胁度矩阵，P是目标根据其与传感器之间的位置关系和表6.1得到的评分矩阵；

假设共M个粒子对3(N_Ra+N_In)维的空间进行搜索，在k次迭代过程中，第i个粒子 X_i(k)为：

X_i(k)＝[R_i(k) I_i(k)](i＝1,2,...,M)，

其中，R_i(k)和I_i(k)分别表示N_Ra个雷达和N_In个红外传感器的坐标，粒子在空间中搜寻对应的速度为V_i(k)，每个粒子在搜索过程中的历史最优解为f(pbest_i(k))，所有粒子搜寻到的全局最优解为f(gbest(k))，迭代过程中最优解对应粒子的更新如下：

根据单个粒子的历史最优解和所有粒子的全局最优解，为了使其能快速搜索到空间中的最优解，对粒子在空间中移动的速度和位置进行更新，更新如下：

V_i(k+1)＝w_iner(k)V_i(k)+c₁r₁(k)[pbest_i(k)-X_i(k)]+c₂r₂(k)[gbest(k)-X_i(k)]，

X_i(k+1)＝X_i(k)+V_i(k+1)，

其中，w_iner(k)为修改后的非线性惯性权重，c₁和c₂为加速系数，表示粒子对自身历史位置的认知和对整个粒子群的认知，r₁(k)和r₂(k)为分布在[0,1]上的随机数，得到k+1时刻的粒子位置后，更新粒子历史最优解和全局最优解，如果在迭代过程中，gbest(k+t_th)＝gbest(k)，则停止本次粒子群算法(PSO)。

步骤2)寻找空闲传感器并对粒子群算法(PSO)进行降维处理，求解全局最优解：

从传感器和目标两方面判断该解是否为全局最优，对于传感器而言，根据探测情况判断是否存在空闲传感器；对于目标而言，判断是否每个目标都达到了最高评分；如果有目标没有达到最高评分且存在m个空闲传感器S＝[x₁,y₁,z₁,...,x_m,y_m,z_m]，则保持其他传感器位置不变，只对空闲传感器在空间中进行寻优，如果经过t_th次迭代得到的结果不变，则停止本次粒子群算法(PSO)，重复上述过程直至没有空闲传感器；

由前述步骤得到N_Ra+N_In个传感器的位置，通过下式可判定目标j是否能被传感器i探测到：

其中，R为传感器的探测半径，没有探测到目标的传感器被归类为空闲传感器 S＝[x₁,y₁,z₁,...,x_m,y_m,z_m]。对于任意目标j，如果其评分p_j＜p₁或p_j＜p₂且空闲传感器组中恰有可调度雷达或红外传感器使p_j→p₁或p_j→p₂，则说明前述PSO算法并没有寻找到全局最优解，此时将S中的传感器作为新的粒子X_i，而其他非空闲传感器位置不变，作为新优化问题的约束条件，重新进行只有3m维的PSO，得到新的传感器位置，并重复上述判断直至所有目标达到较高评分且不存在空闲传感器。

步骤3)经过降维粒子群算法(DRPSO)后，全局搜索能力得到了加强，提高了接近全局最优解的可能性，而粒子的维数由3(N_Ra+N_In)至少降至3m维，有利于粒子局部寻优。

步骤4：根据全局最优解部署传感器；

本实施例在100×100×100的空间中有14个随机分布的威胁度由高到低的目标，现有10 个雷达和10个红外传感器对其进行跟踪，雷达的探测半径为30，红外传感器的探测半径为 20。假设N_th＝3，每种传感器组合的评分如表2所示：

表2

假设共有40个粒子在空间中进行寻优，设定的迭代阈值t_th＝2000。我们对使用线性惯性权重模型的传统PSO算法，使用非线性惯性权重模型的传统PSO算法以及DRPSO进行了比较，三种算法的性能比较结果如图2所示，由图2可知，在10000次的迭代中，使用线性惯性权重模型的PSO算法在约1500次迭代后就不再更新。使用非线性惯性权重的PSO 算法由于增加了粒子全局搜索的时间，在约2800次迭代后才停止更新，得到的解优于使用线性惯性权重模型。而DRPSO算法由于设定了迭代阈值，因此在约4000次迭代时，粒子跳出第一次PSO，找到空闲传感器，进行第二次PSO。由于粒子维数降低，大大减小了PSO 在空间中的搜索难度，得到的最优解的值相比其他两种算法也大幅提高。在约6800次迭代后，停止更新。

算法停止后各目标被传感器探测的情况及得分如表3所示：

表3

由表3可知，无论是使用线性权重的PSO还是使用非线性权重的PSO，都存在未被3个异类传感器探测到的情况，因此都不是全局最优解。由DRPSO算法得到的传感器部署能满足大多目标都能被3个异类传感器探测到，由此大部分目标都能有较高的跟踪精度。

与传统PSO算法相比，即便是改进了的传统PSO在3000次迭代左右就已经陷入了局部最优解，而在之后的8000多次迭代中也未能跳出局部最优解。DRPSO仅使用了约6800 次迭代就确定了一种更接近最优解的一种传感器部署方式。说明DRPSO对解决该高维多峰值优化问题是有效的，且能应用在对目标跟踪的传感器部署问题上

本发明通过引入评分系统，结合传感器自身的目标跟踪性能对传感器进行部署，实现了在目标跟踪领域对异类传感器部署问题的建模。降维粒子群算法(DRPSO)通过改进惯性权重模型与调整算法结构，在粒子维数较高时也能获得相比传统粒子群算法(PSO)更接近全局最优解的结果，且大大减小了迭代次数；本发明与现有技术相比，扩展了传感器部署的应用领域，传统的传感器部署都只考虑如何使空间中的覆盖率最大，本发明不仅可以使传感器的覆盖率更大，还使其对目标的跟踪精度更高；本发明还提出了解决高维粒子群算法(PSO)容易陷入局部最优解的改进算法，即降维粒子群算法(DRPSO)，使适应度函数能在较少次的迭代后接近全局最优解。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种应用于目标跟踪的雷达和红外传感器部署方法，其特征在于，包括以下步骤：

对传感器部署进行建模，所述传感器包括雷达和红外传感器；

构建并引入评分系统，将传感器部署量化为一个高维多峰值的优化问题；

基于传统粒子群算法改进得到降维粒子群算法，对优化问题进行降维和迭代处理，求解全局最优解；

根据全局最优解部署传感器。

2.根据权利要求1所述的一种应用于目标跟踪的雷达和红外传感器部署方法，其特征在于，所述对传感器部署进行建模包括：

在空间中建模N_Ra个雷达和N_In个红外传感器对N_t个目标进行跟踪，所述目标的威胁度为雷达和红外传感器协同探测可获得目标的位置信息。

3.根据权利要求2所述的一种应用于目标跟踪的雷达和红外传感器部署方法，其特征在于，所述位置信息包括目标与雷达的距离d、目标的方位角θ和俯仰角

4.根据权利要求1所述的一种应用于目标跟踪的雷达和红外传感器部署方法，其特征在于，所述构建并引入评分系统，将传感器部署量化为一个高维多峰值的优化问题包括：

构建出每一类传感器组合对目标跟踪精度影响的评分系统，并综合考虑传感器的测量精度和能耗，再引入评分系统，将传感器对目标i的跟踪精度高低简化为目标i在评分系统中得分P_i的高低，便将应用于目标跟踪的传感器部署量化为了一个高维多峰值的优化问题。

5.根据权利要求4所述的一种应用于目标跟踪的雷达和红外传感器部署方法，其特征在于，所述构建出每一类传感器组合对目标跟踪精度影响的评分系统，并综合考虑传感器的测量精度和能耗，具体包括：

先根据具体的场景和任务需求，构建出每一类传感器组合对目标跟踪精度影响的评分系统，在综合考虑了传感器的测量精度和能耗等性能后，具体评分应满足以下条件：

1)如果目标未被雷达探测到，由于缺乏目标距离信息，传感器无法对目标进行跟踪，评分为负；

2)如果目标被超过N_th个传感器探测到，虽然有高跟踪精度，但使用了过多的传感器，产生了资源浪费，评分低于被N_th个传感器探测的评分；

3)如果目标被同样多的传感器探测到，同时被两类传感器探测到的评分高于只被雷达探测到的评分；

4)如果目标被同类传感器探测到，在传感器数目不超过N_th个的情况下，传感器数目越多，评分越高。

6.根据权利要求1所述的一种应用于目标跟踪的雷达和红外传感器部署方法，其特征在于，所述基于传统粒子群算法改进得到降维粒子群算法包括：

将粒子群算法中的线性惯性权重模型修改为非线性惯性权重模型，所述线性惯性权重模型为：

所述非线性惯性权重模型为：

7.根据权利要求1所述的一种应用于目标跟踪的雷达和红外传感器部署方法，其特征在于，所述对优化问题进行降维和迭代处理，求解全局最优解包括：

使用传统PSO算法对优化问题进行初次求解：

设定迭代次数阈值为t_th，在对3(N_Ra+N_In)维的粒子寻优过程中，如果经过t_th次迭代得到的结果不变，则停止本次粒子群算法；

寻找空闲传感器并对粒子群算法进行降维处理，求解全局最优解：

从传感器和目标两方面判断该解是否为全局最优，对于传感器而言，根据探测情况判断是否存在空闲传感器；对于目标而言，判断是否每个目标都达到了最高评分；如果有目标没有达到最高评分且存在m个空闲传感器S＝[x₁,y₁,z₁,...,x_m,y_m,z_m]，则保持其他传感器位置不变，只对空闲传感器在空间中进行寻优，如果经过t_th次迭代得到的结果不变，则停止本次粒子群算法，重复上述过程直至没有空闲传感器；

经过降维粒子群算法后，全局搜索能力得到了加强，粒子的维数由3(N_Ra+N_In)至少降至3m维。