本书是一本介绍智能优化算法及优化非线性系统状态估计方法的著作，主要涉及的内容有：群体智能优化算法，非线性系统的状态估计方法。其中，在群体智能优化算法上，详细介绍了主要算法的产生背景、算法流程，并附有详细的MATLAB源代码；在非线性系统状态估计方面，又分为三方面内容，分别是基于群体智能算法对粒子滤波的改进与优化、扩展卡尔曼滤波的改进、基于其他思想和应用场景对粒子滤波的改进。在书中，不但阐述了主要的非线性系统状态估计方法的步骤，而且还有作者本人在该领域的最新研究成果和发展方向，故而具有较高的出版价值。本书适用于广大从事智能优化算法和信息融合的研究人员、工程技术人员。
利用群体智能优化算法（Swarm Intelligence Optimization Algorithm，SIOA）对PF进行优化具有较强的代表性，为此，作者首先介绍8种常见的群体智能算法，如粒子群算法、鸡群算法和蚁群算法等。而较多的学者都是基于粒子群算法对PF进行优化的，其基本思路也为其他研究人员提供了重要的借鉴意义；而基于其他智能优化算法对PF进行优化也得以快速发展，如先对萤火虫算法、蝙蝠算法和差分进化算法等进行改进，再对PF进行优化。在分析和总结众多学者的研究思路的基础上，作者重点研究了利用布谷鸟算法和烟花算法对PF进行改进和优化的方法。其基本思想是：由于蝙蝠算法和萤火虫算法易陷入局部最优问题，而烟花算法具有很好的随机性和全局收敛性，因此，基于这些算法对PF进行改进和优化而提出了FWA-PF。然后重点分析了FWA-PF的收敛性，以及烟花爆炸半径、火花数对粒子多样性及PF性能的影响。另外，作者也探索了利用布谷鸟算法对PF进行优化的方法，以及基于多新息理论对PF进行优化的方法。在群体智能优化算法优化粒子滤波的基础上，本书最后一章也介绍了其他学者基于其他方法和思想对PF的改进，这也为我们的研究提供了重要的借鉴作用。
EKF作为另一个解决非线性系统状态估计问题的标准方法，作者首先介绍了EKF的基本原理和方法，并重点介绍了基于多新息理论优化EKF，以及其他如基于雁群PSO、模糊神经网络等对EKF优化的方法。最后，介绍了作者本人的基于核偏最小二乘法（Kernel Partial Least Square，KPLS）对EKF进行优化的方法。
非线性状态估计在科学研究和工程应用领域具有重要价值，如工业过程中的状态反馈控制、航空制导系统、飞行目标跟踪、故障诊断和生化反应状态提取等领域。然而，由于作者的研究成果和工程积累尚不十分丰富，书中难免有不足之处，敬请读者不吝赐教。期望此书能起到抛砖引玉的作用，能为我国的科学研究和工程应用贡献微薄之力。
白晓波，男，陕西勉县人，2010年于湖南大学获得硕士学位，现为西安工程大学工程师，CCF会员，主要研究领域为信息融合、智能信息处理等。
近五年，参与省部级与厅局级课题6项，以首作者在SCI期刊发表论文一篇，国际会议一篇，CSCD两篇，核心期刊三篇。作为主要参与人获得省部级奖2项、厅局级奖2项、行业协会奖3项。
第1章 研究背景
1．1 粒子滤波理论
1．2 小结
参考文献
第2章 群体智能算法
2．1 粒子群优化算法
2．2 萤火虫算法
2．3 布谷鸟算法
2．4 鸡群算法
2．5 蝙蝠算法
2．6 烟花算法
2．7 差分进化算法
2．8 混合蛙跳算法
2．9 蚁群算法
2．10 小结
参考文献
第3章 群体智能算法优化粒子滤波
3．1 粒子群优化算法优化粒子滤波
3．2 其他基于PSO优化PF方法
3．3 萤火虫算法优化粒子滤波
3．4 蝙蝠算法优化粒子滤波
3．5 鸡群算法优化粒子滤波
3．6 混合蛙跳算法优化粒子滤波
3．7 布谷鸟算法优化粒子滤波
3．8 烟花算法优化粒子滤波
3．9 小结
参考文献
第4章 扩展卡尔曼滤波
4．1 扩展卡尔曼滤波
4．2 改进的自适应卡尔曼滤波
4．3 基于多新息理论优化的EKF（MI-EKF）
4．4 -种新的改进扩展卡尔曼滤波
4．5 改进粒子群算法优化的EKF
4．6 混杂扩展卡尔曼滤波的改进
4．7 基于雁群PSO的模糊自适应EKF
4．8 模糊神经网络优化扩展卡尔曼滤波
4．9 其他关于EKF的改进研究
4．10 基于学习的KPLS优化扩展卡尔曼滤波
4．11 小结
参考文献
书单推荐
