《Scientific Reports》：Principal component analysis enhanced pigeon-inspired optimization for function optimization and multi-scenario UAV path planning
编辑推荐：
标准鸽群优化算法（PIO）在病态与多模态问题上存在早熟收敛、精度不足及搜索方向盲目等缺陷。本文提出一种主成分分析增强鸽群优化算法（PCA-PIO），将主成分分析（PCA）引入地图—罗盘算子，从优势种群中提取主方向以实现各向异性方向搜索，并结合自适应停滞检测与重
标准鸽群优化算法（PIO）在病态与多模态问题上存在早熟收敛、精度不足及搜索方向盲目等缺陷。本文提出一种主成分分析增强鸽群优化算法（PCA-PIO），将主成分分析（PCA）引入地图—罗盘算子，从优势种群中提取主方向以实现各向异性方向搜索，并结合自适应停滞检测与重启机制。在12个基准函数、现代CEC2017与CEC2022测试集以及\(D=100\)高维测试上的实验表明，PCA-PIO在所有测试函数上的收敛精度与鲁棒性均显著优于PIO与CPIO，并在12个经典基准函数中的10个上优于粒子群优化（PSO）（其余2个性能相当）（PSO在CEC混合/复合测试集上取得更低的平均秩）。尽管其在病态与多模态函数上仍落后于灰狼优化算法（GWO），但在Rosenbrock函数上相较PIO与CPIO取得最高达三个数量级的提升，这与无免费午餐（No Free Lunch）定理相符。上述改进经Bonferroni校正的Wilcoxon检验得到统计确认。在显式运动学可行性约束下，山区、城市与海上三种场景的无人机（UAV）三维路径规划进一步表明，PCA-PIO获得了最优或接近最优的路径长度、最小的转弯角以及最高的成功率，展现出优异的工程实用性。
**一、研究背景与问题**
群体智能优化算法通过模拟自然生物种群的协作行为，为求解非线性、不可微、多模态的复杂优化问题提供了有效途径。自20世纪90年代以来，粒子群优化（PSO）与灰狼优化（GWO）等经典算法被广泛用于工程优化、机器学习与路径规划。2014年，Duan与Qiao提出受鸽子归巢行为启发的鸽群优化（Pigeon-Inspired Optimization，PIO）算法，其借助地磁场、太阳与地标模拟导航机制，具有独特的双算子结构：前期以地图—罗盘算子进行全局搜索，后期以地标算子进行局部精细搜索。PIO结构清晰、参数少、易于实现，已被用于无人机路径规划、参数辨识与图像分割等实际问题。
然而，标准PIO存在显著缺陷：地图—罗盘阶段所有个体快速向当前全局最优位置收敛，导致种群多样性迅速丧失；一旦全局最优陷入局部最优，算法难以跳出。已有改进PIO变体可归为七类互不重叠的研究分支：随机变异增强、多策略融合优化、混合智能框架、仿生社会学习机制、迁移学习与多目标扩展、离散空间改进以及工程约束驱动优化。但这些策略几乎均依赖随机扰动或经验参数设置，忽视了目标函数地形的内在几何各向异性。据作者所述，尚无以PCA协方差分析与PIO两阶段框架耦合实现各向异性方向搜索的PIO变体，这构成本文的核心研究空白。
与已有的PCA增强智能算法相比，PCA-PSO在每次迭代对全体种群做特征分解以实现线搜索加速、边界处理或终止判据；PCA变异遗传算法（GA）与PCA交叉差分进化（DE）仅用PCA构造变异或交叉子空间；协方差矩阵自适应进化策略（CMA-ES）家族则在每代对全体种群自适应完整协方差模型并替代优化器核心。而PCA-PIO首次将PCA与PIO双阶段地图—罗盘/地标结构耦合，仅在停滞时对动态收缩的精英子集调用PCA，通过精英一对一选择将PCA输出与标准PIO更新融合，并以自适应全局重启模块保障种群多样性。文章的主要贡献包括：构建基于地图—罗盘阶段优势种群分布的PCA候选生成策略；设计阈值随最大迭代次数动态调整的自适应停滞检测与重启机制；在12个基准函数上开展综合对比与Bonferroni校正统计检验，并在CEC2017与CEC2022测试集上补充验证；将算法成功应用于具有显式运动学可行性约束的三类典型场景无人机三维路径规划。
**二、关键技术方法**
研究采用的主要方法包括：其一，主成分分析——对精英子集求均值与协方差矩阵并做特征分解，按累积贡献率\(C_R=0.95\)保留前m个主成分，以当前全局最优为中心沿主方向生成候选解，精英比例\(p(t)\)随迭代由30%线性衰减至10%；其二，自适应停滞检测与重启机制——以式\(T_{\text{pca}}=\max(5,\text{round}(0.02\cdot T_{\max}))\)与\(T_{\text{restart}}=\max(10,\text{round}(0.04\cdot T_{\max}))\)设置两个独立停滞计数器，分别控制PCA重采样与全局重启；其三，理论分析——给出几乎必然全局收敛性定理及其证明，并分析计算复杂度；其四，实验验证体系——12个基准函数（\(D=30\)，5个函数扩展至\(D=100\)）、CEC2017与CEC2022测试集、Friedman与Nemenyi检验，以及基于B样条曲线（6个控制点、18维变量）与圆柱体/地形建模的三种无人机三维地形场景。对比算法包括PSO、GWO、标准PIO、柯西变异PIO（CPIO），并额外与HHO、SSA、AOA、DBO及IPIO比较。统一实验超参数为\(N=30\)、\(T_{\max}=500\)、\(T_1=400\)，每组实验独立运行30次。
**三、研究结果**
**算法框架与收敛性。** 作者给出了PCA-PIO流程图与伪代码：地图—罗盘阶段每代执行标准PIO更新，仅当停滞计数器\(s_{\text{pca}}\)达到\(T_{\text{pca}}\)时触发PCA候选生成，经精英一对一选择保留较优个体；两个独立计数器分别控制PCA重采样与全局重启（保留全局最优、其余个体零速度随机重初始化）。定理1在精英保留、停滞计数器语义及均匀重初始化假设下证明算法以概率1收敛到全局最优；计算复杂度分析表明PCA分支被摊销后整体复杂度在\(d^3 \ll T_{\text{pca}}Nd\)时与标准PIO同阶。
**基本维度（\(D=30\)）基准函数实验。** 在12个基准函数上，PCA-PIO在均值与标准差两方面均显著优于PIO与CPIO；如在Rosenbrock函数上均值为\(3.30\times 10^3\)，而PIO与CPIO分别为\(3.29\times 10^6\)与\(5.24\times 10^6\)，精度提升约1000倍；在Rastrigin上为\(4.84\times 10^1\)，显著低于PIO（\(2.17\times 10^2\)）与CPIO（\(2.65\times 10^2\)）。相较PSO，PCA-PIO在绝大多数函数上更优，如Sphere上为\(4.34\times 10^{-2}\)、PSO为\(6.96\times 10^{-1}\)。相较GWO，GWO在单模态函数上具绝对优势，PCA-PIO在病态/多模态函数上仍落后（Rosenbrock上GWO为\(2.72\times 10^1\)），作者从GWO头狼包围机制的三条结构性质解释了其在狭窄山谷地形上的有效性，并与无免费午餐定理相符。
**现代CEC测试集验证。** 在CEC2017（29个函数，\(D\in\{10,30\}\)）与CEC2022（12个函数，\(D\in\{10,20\}\)）上补充验证。在CEC2017（\(D=30\)）上PCA-PIO对AOA在29个函数中的26个显著占优，对IPIO为4胜7平18负；DBO、HHO、SSA获得更低平均秩；但PCA-PIO在所有测试集上始终优于经典PIO基线。Friedman检验在三种设定下均拒绝原假设（如CEC2017上\(\chi^2_F=76.47\)，\(p<10^{-15}\)）；Nemenyi事后检验（\(\alpha=0.05\)）显示CEC2017上PCA-PIO（平均秩3.00）显著优于PIO（4.66），与CPIO（2.93）及GWO（3.34）差异不显著；CEC2022两个维度上PCA-PIO均列第二，与PIO的差距超过临界差。
**高维实验（\(D=100\)）。** 在Sphere、Rosenbrock、Rastrigin、Ackley、Griewank五个函数上，PCA-PIO在全部五个函数上显著优于PSO、PIO与CPIO，并在Sphere、Rosenbrock、Ackley、Griewank上位列第二；在Rastrigin上虽略逊于GWO（\(3.37\times 10^2\) vs \(5.32\times 10^1\)），但显著优于其余算法；相较\(D=30\)，PCA-PIO相对PIO与CPIO的改进随维度增大更为明显。
**消融实验。** 在Rosenbrock与Rastrigin（并扩展至Sphere与Ackley）上比较完整PCA-PIO、去重启、去PCA与标准PIO四个变体。仅PCA模块使Rosenbrock均值由\(3.29\times 10^6\)降至\(8.43\times 10^5\)（约3.9倍），Rastrigin由\(2.17\times 10^2\)降至\(1.91\times 10^2\)；仅重启模块使二者分别降至\(2.35\times 10^5\)（约14倍）与\(1.67\times 10^2\)（约1.3倍）；完整算法相对去重启与去PCA在Rosenbrock上分别提升约255倍与71倍，在Rastrigin上约3.9倍与3.4倍，表明两模块存在显著协同效应。标准差分析显示重启机制有效改善了最坏情形鲁棒性。
**收敛行为与统计检验。** 收敛曲线与箱线图显示PCA-PIO在单模态、病态与多模态函数上均较PIO、CPIO收敛更快、精度更高，在Rosenbrock上后期曲线较GWO更稳定，在Rastrigin上箱体高度与中位数最低。Bonferroni校正Wilcoxon秩和检验（校正水平\(0.05/48\approx0.00104\)）表明PCA-PIO与PIO、CPIO在所有函数上差异高度显著，与PSO在Step、Schwefel、Ackley等函数上差异不显著；12个函数上的Friedman平均秩为GWO 1.17、PCA-PIO 2.08、PSO 2.75、PIO 4.25、CPIO 4.75，Nemenyi临界差\(CD=1.76\)，PCA-PIO显著优于PIO与CPIO，与GWO、PSO差异不显著。
**附加性能分析。** 运行时测量表明，因PCA仅在停滞时触发，完整PCA-PIO的单代运行时间在\(D=30\)与\(D=100\)下分别不超过标准PIO的1.9倍与2.3倍；计算预算方面PCA-PIO平均消耗15,507次适应度评价（FE），相对基线15,000次仅高出3.2%，等FE对比确认其优势并非来自更大评价预算。参数敏感性分析推荐\(C_R=0.95\)、\(\alpha=0.10\)为折中参数组合。
**多场景无人机三维路径规划。** 作者构建山区（双锥峰叠加）、城市（多栋25 m与35 m矩形建筑）与海上（正弦波基面叠加四个稀疏岛屿）三类地形，采用B样条曲线生成平滑路径，代价函数综合路径长度、碰撞惩罚与平滑度并采用时变自适应权重；在路径最终选择阶段施加硬约束转弯角\(\theta_j\le45^\circ\)与恒定巡航速度\(v_c=30\) m/s的运动学可行性检验。权重消融实验证实自适应权重相较固定权重获得更短、更平滑且成功率更高的路径。在三种场景各30次独立运行（\(N=30\)，\(T_{\max}=200\)）中，PCA-PIO均取得最短路径、最小转弯角、最少碰撞与最高成功率：山区路径长度187.3（较PIO降低18.6%、较CPIO降低13.1%），成功率96.7%；城市路径151.2、成功率93.3%、转弯角35.1°（显著小于PIO的56.7°与CPIO的49.2°）；海上路径288.4、转弯角19.7°、成功率100%。逐段运动学检验确认PCA-PIO全部90次运行均满足转弯角硬约束，实测平均转弯角为19.7°至35.1°。
**四、讨论与结论**
讨论部分强调：PCA运行于精英解的经验协方差矩阵而非直接作用于目标函数地形，其特征向量估计精英分布的主导延伸方向，在病态峡谷地形上经验上与谷向一致，但并非显式获取地形几何；所提集成的意义超出两种知名技术的简单组合，其"停滞触发协方差引导+自适应全局重启"构成经验证的设计要点。收敛性定理的几乎必然保证仅依赖精英保留与周期性均匀重初始化，PCA方向采样与自适应停滞阈值不影响该保证，而是支配收敛速率与有限迭代行为。PCA-PIO的性能提升并非源于更大的评价预算（等FE对比已验证），其优势相对PIO、CPIO高度显著。无人机运动学约束限于几何转弯角与恒定巡航速度，最大加速度、爬升/下降角限制与高阶曲率边界未显式建模，所得B样条轨迹为可行几何路径，需交由下层轨迹细化与控制模块以执行完整动力学模型；本文未使用显式能耗模型。作者明确区分两层结论：其一，PCA-PIO在测试问题上持续且显著优于标准PIO家族；其二，其与GWO等通用先进元启发式算法相比具竞争力但非普遍占优，符合无免费午餐定理。
结论部分译文：本文提出主成分分析增强鸽群优化算法PCA-PIO，其核心创新是在地图—罗盘算子中引入PCA候选生成，引导种群沿目标函数地形的各向异性方向搜索，并结合自适应停滞检测与重启机制增强全局搜索能力。通过对12个标准基准函数、现代CEC2017与CEC2022测试集及高维场景的对比实验，得出如下结论：(1) PCA-PIO在12个经典基准函数中的10个上优于PSO，在其余2个（Step与Schwefel，差距低于6%）上性能相当；在全部12个测试函数上，其平均精度与标准差均显著优于PIO与CPIO。相较GWO，PCA-PIO在病态与多模态函数上仍存在差距——如在Rosenbrock上GWO为\(2.72\times 10^1\)而PCA-PIO为\(3.30\times 10^3\)；然而PCA-PIO在该函数上相较PIO与CPIO取得最高达三个数量级的提升，证明了各向异性搜索相对各向同性随机扰动的优越性，这些结果与无免费午餐定理相符。现代CEC2017与CEC2022测试集上的补充验证进一步表明PCA-PIO的竞争力超出经典基准集。本文明确区分两项主张：(i) PCA-PIO在所测试问题上持续且大幅优于标准PIO家族（PIO与CPIO）；(ii) PCA-PIO与GWO及所考察的近期优化器等通用先进元启发式算法具竞争力但非普遍占优，这与无免费午餐定理一致。(2) 消融研究进一步揭示，基于PCA的方向搜索与自适应重启机制均对性能提升有正向贡献，二者结合产生显著协同效应；Bonferroni校正Wilcoxon秩和检验确认PCA-PIO与PSO、PIO、CPIO的性能差异高度统计显著（\(p<0.00104\)）。(3) 在多场景无人机三维路径规划应用中，PCA-PIO在复杂山区、城市与海上环境中于显式运动学可行性约束下取得了最优或接近最优的路径长度、最小转弯角与最高成功率，展现出优异的工程通用性与鲁棒性。未来工作将探索四个方向：1) 增强PCA模块面向超高维问题（\(D>100\)）的可扩展性——当种群规模与维数相当或更小时样本协方差矩阵秩亏，将退化主方向估计的统计可靠性，引入随机化PCA、增量PCA或收缩协方差估计可同时稳定高维方向估计并降低\(O(D^3)\)特征分解开销；2) 自适应超参数调节——设计随迭代进程动态变化的累积贡献率\(C_R\)与步长因子\(\alpha\)；3) 无人机实时动态路径重规划——将PCA-PIO扩展至时变障碍环境的在线航迹调整；4) 多目标优化扩展——构建多目标PCA-PIO以处理具有多个冲突优化指标的无人机任务。
