用于大规模问题优化的正弦余弦粒子群优化算法

为棘手问题提供更智能的搜索

从在拥挤的仓库中规划安全的机器人路线，到微调电网和工程设计，当今最难的计算任务常常涉及成千上万的变量和复杂的约束。传统的搜索方法容易不堪重负，浪费时间在死胡同中探索或满足于平庸的解。本文介绍了一种新的计算算法，它可以更可靠、更高效地处理这类大规模复杂问题，并展示了它如何在不断变化、障碍密布的环境中引导机器人安全通行。

为什么大问题难以驯服

许多现代挑战属于研究者所说的大规模优化：在海量可能性中寻找最优组合。想象在地图布满墙体、移动障碍和狭窄通道时，为机器人挑选最短且最安全的路线。像粒子群优化（PSO）和正弦余弦算法（SCA）这样的流行方法模拟一群简单体的集体搜索。它们易于使用且计算速度快，但往往会过快地聚集到看起来不错的区域。因此，当维度——必须做出的独立选择数量——变得非常大时，这些方法常常陷入局部的“足够好”解而无法发现真正的最优解。

将两种群体融合为更强的搜索

为克服这些局限，作者设计了一种改进的混合方法，称为ISCA‑PSO，它将增强型SCA与PSO融合。两项关键思想驱动了这一改进。首先，动态位置修正机制持续测量每个候选解与当前最优解的距离。当某个解距离较远时，算法会更强烈地将其向最优区域推动以加速收敛；当已经接近时，则允许其保留一定独立性，防止整个群体过快地坍缩到单一点。其次，正交交叉机制借鉴试验设计中的工具，系统地混合不同优秀解的信息。它不是随意交叉，而是生成一小组精心选择的新候选，均匀覆盖搜索空间，在保持多样性的同时避免组合爆炸。两者共同使混合算法在广泛探索与精细改进之间达到平衡。

对混合算法进行测试

新算法在一组具有挑战性的基准函数上进行了测试，这些函数是全球研究者用来比较优化工具的标准。此类函数设计为具有迷惑性，包含许多峰谷和平坦区域，会诱使简单的搜索方法陷落。在若干现代测试集和高达一万维的情况下，ISCA‑PSO 始终能找到非常接近理论最优的解，同时不同运行间的变异性很低。相较之下，原始SCA和其他若干先进方法在维度增加时精度下降或变得不稳定。统计检验证实性能提升并非偶然：在高维问题上，该混合方法通常在竞争算法中名列前茅。

在拥挤场景中安全引导机器人

为了证明这些改进在实践中的价值，本研究将ISCA‑PSO应用于机器人路径规划。路径用由一系列航点构成的光滑曲线描述，安全性通过要求机器人主体与任何障碍之间保持最小距离来保证。在两张充满障碍的复杂二维地图中，新算法比若干著名替代方法找到更短的路径，同时保持更大的安全余量。在包含大量移动障碍的更高要求模拟中，它在多次试验中规划出完全避免碰撞的路线，同时保持合理的计算时间。所得到的路径不仅更短，而且相对平滑，便于实际机器人跟随。即使在包含数百个障碍的极端二维迷宫和障碍密集的复杂三维场景中，ISCA‑PSO 在路径长度、成功率和鲁棒性方面也在多种先进方法中取得了最佳的综合表现。

这对现实系统意味着什么

对非专业读者来说，核心信息是这项工作提供了一种在庞大而混乱的解空间中更可靠的搜索方式。通过精心引导虚拟群体——在向有前景的区域收拢的同时不失去探索能力——ISCA‑PSO 算法更频繁地找到更好的解，即使问题规模大幅增长也是如此。具体而言，这意味着机器人能够在拥挤且不断变化的环境中更安全、更高效地穿行，以及在对精度和速度都有要求的复杂工程任务中能信赖的优化工具。未来若引入对地形和环境更丰富的感知能力，这一方法在现实自治系统中的适用性可能进一步扩大。

引用: Wang, Y. Sine cosine particle swarm optimization algorithm for optimizing large scale issues. Sci Rep 16, 12303 (2026). https://doi.org/10.1038/s41598-026-41180-4

关键词: 大规模优化, 元启发式算法, 粒子群, 机器人路径规划, 正弦余弦算法