1.4 本書內容及安排

本書主要研究群優化方法在目標跟蹤中的研究和應用，包括以下內容。

第1章為緒論，首先闡述了目標跟蹤的一些應用領，包括軍事、民用等方面；然后詳細介紹了目標跟蹤的國內外研究現狀；接著對群優化方法在目標跟蹤中的一些應用情況進行了描述；最后對本書主要研究內容進行了說明。

第2章介紹了優化算法與目標跟蹤的關系，闡述了目標跟蹤問題如何轉換為求解最優化問題，對目標跟蹤算法中常用的一些特征提取方法及相似度量函數的應用進行了概述，最后對優化算法和跟蹤算法性能評價指標進行了簡單的介紹。

第3章中，正余弦算法被引入目標跟蹤框架，設計了一種基于SCA算法的跟蹤系統，用來解決目標跟蹤中的突變運動問題，并對該跟蹤系統中參數的自適應和靈敏度進行了實驗研究。

第4章中，飛蛾-火焰算法被引入跟蹤框架，設計了一種基于MFO算法的跟蹤系統，用來解決目標跟蹤中的突變運動問題，并對該跟蹤系統中參數的自適應和靈敏度進行了實驗研究。

第5章針對布谷鳥搜索算法存在后期收斂速度慢的問題，將具有局部搜索能力的SM算法引入CS算法中，設計了一個基于改進CS算法的跟蹤框架，改善了其跟蹤性能。

第6章針對蚱蜢優化算法陷入局部最優的問題，將長期短距離和偶爾長距離游走的Levy飛行引入GOA算法中，設計了一個基于Levy飛行的改進的GOA算法，進一步加強和平衡了探索和開發階段的性能，從而應用于改善跟蹤精度和速度。

第7章針對蟻獅優化算法中單個精英易造成局部最優的問題，將精英庫的概念引入ALO算法中形成拓展的ALO（EALO）算法，改善了算法的探索能力，從而增強了全局搜索能力；然后利用EALO算法的全局搜索能力和SCA算法的局部搜索能力，設計了一個基于混合EALO-SCA算法的跟蹤框架，并對跟蹤算法采用定性和定量的實驗分析，驗證了跟蹤算法的有效性。

第8章針對鯨魚優化算法中采用線性自適應參數易造成算法難以跳出局部最優的問題，將五分之一的原則引入WOA算法中，形成了改進的WOA（AWOA）算法，改善了算法的探索能力和開發性能；然后利用DE算法的混合能力及較快的收斂至全局最優的能力，設計了一個基于混合AWOA-DE算法的跟蹤框架，采用23個基準函數對混合優化算法進行了性能評估，并對跟蹤算法采用定性和定量的實驗分析，驗證了跟蹤算法的有效性。

第9章對基于蟻獅優化算法的目標跟蹤方法、基于改進布谷鳥搜索算法的目標跟蹤方法、基于粒子群優化算法的目標跟蹤方法的跟蹤性能進行了實驗，并將實驗結果與基于SA算法的目標跟蹤系統的跟蹤結果進行比較，分析了它們在各種應用場景中的運行能力。