با گسترش ریز شبکه ها و اتصال آنها به شبکه اصلی نیاز برای کنترل ومانیتورینگ این شبکه ها در کنار شبکه اصلی و یا به صورت جزیره ای بسیار مورد توجه قرار گرفت. یکی از چالش های پیش روی ریزشبکه ها حضور نوسان ها و حالت های گذار ناشی از تغییرات بارها و خطاهای رخ داده در شبکه است.بنابراین آگاهی بلادرنگ نوسانات و حالت های گذار شبکه برای ریزشبکه ها بسیار ضروری است.این آگاهی را می توان در کاربردهای متنوعی چه در حالت "متصل به شبکه" و چه در حالت "جزیره ای" بکار گرفت. در زمینه مطالعه تخمین حالت دینامیکی، الگوریتم های مختلفی براساس فیلتر ذره ای معرفی شده است. الگوریتم هایی که براساس فیلتر ذره ای بنا نهاده شده اند می توان از فیلتر ذره ای تعمیم یافته،فیلتر ذره ای بدون بو،فیلتر ذره ای مکعبی نام برد. الگوریتم های فیلتر ذره ای در شرایط غیرخطی به نسبت سایر روش های تخمین حالت دینامیکی عملکرد مطلوب تری دارد. الگوریتم های این فیلتر دارای سه مرحله پیش بینی، تصحیح و نمونه گیری مجدد است. همچنین با گذر زمان به منظور بهبود عملکرد فیلترهای ذره ای الگوریتم های مختلفی برای روش نمونه گیری مجدد معرفی شده است. طرح پیشنهادی در این پایان نامه شامل ارایه یک فیلتر ذره با قابلیت سرعت و دقت بهبود یافته شده توسط الگوریتم های بهینه سازی برای تخمین حالت دینامیکی در ریز شبکه به منظور بالا بردن عملکرد فیلتر ذره بنیادی در شرایط تغییرات شدید و سیستم با درجه غیر خطی بالا است. فیلتر ذره بنیادی داری نواقصی مانند واگرایی و کمبود نمونه در این شرایط است. به منظور رفع این مشکل و توانا کردن فیلتر ذره عمومی برای تخمین حالت درچنین شرایطی ،استفاده از یک عملکرد مکمل به عنوان مرحله بهینه سازی در ساختار فیلتر پیشنهاد می شود. در این پایان نامه، در ابتدا مدل یک ریز شبکه در حالت جزیره ای معرفی می گردد. سپس از طریق الگوریتم فیلتر ذره ای عمومی و فیلتر ذره ای شتاب یافته، تخمین حالت دینامیکی انجام می شود و در نهایت به مقایسه عملکرد این الگوریتم ها از لحاظ زمان عملکرد و خطای جذر میانگین مربعات با یکدیگر پرداخته می شود. نتایج نشان می دهد که در میان الگوریتم های فیلتر ذره ای عمومی و شتاب یافته ،روش شتاب یافته دارای عملکرد مناسب تر است، این روش علاوه بر سرعت بالا، دقت زیادی نیز در انجام مطالعه تخمین حالت دینامیکی اراِئه می کند.
