鸽群算法（Pigeon-inspired Optimization, PIO）是一种基于自然界中鸽子群体行为的智能优化算法，由Duan等人于2014年提出。该算法模拟了鸽子在飞行过程中利用地标、太阳和磁场等导航机制的行为，具有简单、高效和易于实现的特点，适用于解决连续优化问题。

        更多的仿生群体算法概括可以看我的文章：

仿生的群体智能算法总结之一（十种）_最新群体算法-CSDN博客

仿生的群体智能算法总结之二（十种）_候鸟优化算法-CSDN博客

仿生的群体智能算法总结之三（十种）_群智能算法-CSDN博客

一、鸽群算法的基本原理

1.基本原理

        鸽群算法是根据家鸽自主归巢行为而提出的优化算法。家鸽在归巢过程中，能够利用自身的磁感应结构感知地磁场，形成地图认知，并通过地标等导航工具进行路径规划。受此启发，鸽群算法通过模拟鸽群的导航行为，实现对复杂问题的优化求解。

2.核心算子

        （1）地图和指南针算子：该算子模拟了鸽子利用地图和指南针进行导航的过程。在算法中，每只鸽子都有一个虚拟的位置和速度，通过不断更新位置和速度来搜索最优解。位置和速度的更新公式中包含了地图和指南针因数，该因数取值范围在0到1之间，用于控制鸽子搜索的方向和范围。

        （2）地标算子：当地标算子启动时，鸽群会依赖周围的地标来调整飞行方向和速度。在算法中，远离目的地的鸽子会被视为对地表不熟悉，它们将不再具有分辨路径的能力。此时，鸽群会通过找寻周围的地标来优化自身的飞行方向和速度。为了进一步减少算法的寻优时间，每次迭代都会抛弃种群中位置较差的个体，种群数量减半后，计算种群中心位置，并以中心位置为飞行依据，更新个体飞行方向。

        简单来说，鸽群算法的灵感来源于鸽子的两种导航行为：

        （1）地标算子（Landmark Operator）：

        鸽子在接近目的地时，会依赖地标（如建筑物、山脉等）来调整飞行方向。

        在算法中，地标算子用于局部搜索，帮助个体向全局最优解靠近。

        （2）指南针算子（Compass Operator）：

        鸽子在长距离飞行时，依赖太阳和地球磁场进行导航。

        在算法中，指南针算子用于全局搜索，帮助个体探索解空间。