粒子群（PSO）—— Path Planning

版权声明：本文为博主原创博文，未经允许不得转载，若要转载，请说明出处并给出博文链接

 

       在计算科学中，粒子群优化(particle swarm optimization, PSO)是一种优化问题的计算方法，通过迭代尝试改进一个候选解决方案，考虑到给定的质量度量。它通过一群候选解(这里称为粒子)来解决问题，并根据粒子位置和速度的简单数学公式在搜索空间中移动这些粒子。每个粒子的运动受到其局部最知名位置的影响，但也会被引导到搜索空间中最知名的位置，当其他粒子发现更好的位置时，这些位置会被更新。这将使蜂群朝着最好的解决方案前进。

       PSO最初被归因于Kennedy, Eberhart和Shi，最初的目的是为了模拟社会行为，作为一个程式化的代表，在一个鸟群或鱼群的生物体的运动。对算法进行了简化，并进行了优化。这本由肯尼迪和Eberhart合著的书描述了粒子群算法和群体智能的许多哲学方面。Poli对粒子群算法的应用进行了广泛的研究。最近，Bonyadi和Michalewicz发表了一篇关于粒子群优化理论和实验工作的综述。

       粒子群优化算法是一种元启发式算法，因为它对正在优化的问题做很少或不做假设，并且可以搜索非常大的候选解空间。然而，像粒子群算法这样的元启发式算法并不能保证找到一个最优解。此外，粒子群优化算法不使用被优化问题的梯度，这意味着粒子群优化算法不需要像梯度下降法和拟牛顿法等经典优化方法那样要求优化问题是可微的。

        原理与流程如下：

仿真效果如下：

                                        

                              

参考：

  孙浩磊.《基于群体智能算法的无人机路径规划技术研究》, 2019.