روش شبکه بولتزمن در واقع یک روش محاسباتی است که بر پایهی تئوری انرژی جنبشی استوار بوده و ابتدا برای شبیه‌سازی جریان سیال مورد استفاده قرار گرفته است. در واقع انواع مدل‌های این روش محاسباتی از تکنیک روش شبکه سلول‌های گازی(LGCA) الگوبرداری شده‌اند. ایده اصلی روش LGCA این است که تعاریف متفاوت در سطح میکروسکوپی میتوانند در سطوح ماکروسکوپی نیز مورد استفاده قرار گیرند. با استفاده از یک مدل سلولی ساده که تنها از قوانین بقای جرم و اندازه حرکت در سطح میکروسکوپی پیروی میکند و با قرار دادن آن در یک شبکه مناسب، می‌توان نشان داد که با استفاده از تحلیل چند سطحی چپمن-انسکوگ، معادلات ناویر استوکس مربوط به سیال با تراکم‌پذیری کم از یک شبکهی میکروسکوپی به دست می‌آیند.
روش LGCA از دیدگاه محاسباتی مزایای مهم زیادی دارد. اول اینکه کاراکتر بولین برای قوانین برخورد به این معنا خواهد بود که این مدل میتواند از منطق بولین بدون و بدون مشکلات مرتبط با خطاهای گرد کردن استفاده کند. دوم اینکه در این روش مرحله برخورد کاملاً منطقه‌ای است و بنابراین، استفاده از این روش در سیستم‌هایی باقابلیت پردازش موازی بسیار مناسب است.
اولین روش LBM مربوط به مکنامارا و زانتی است و با هدف کاهش پیچیدگی‌های روش LGCA توسعه داده شد. اولین مدل‌های LBM از شبکه و قوانین برخورد مشابه با LGCA استفاده می‌کردند و فقط اعداد بولین روش LGCA با توابع توزیع ذرات LBM جایگزین شده بودند.
به‌طور کلی الگوریتم روش شبکه بولتزمن دارای ویژگی‌هایی است که آن را از روش‌های عددی سنتی مربوط به حل میدان جریان متمایز می‌نماید. برخی از آن‌ها به شرح زیر میباشد:
1- 1- جمله جابجایی درروش شبکه بولتزمن خطی میباشد که این موضوع متفاوت با معادلات ناویر استوکس است.
2- 2- فشار درروش شبکه بولتزمن توسط معادله حالت به دست می‌آید درحالی‌که در حل معادلات ناویر استوکس فشار با تبدیل معادله پیوستگی به رابطه‌ای برای تصحیح فشار استخراج می‌گردد که این امر مستلزم استفاده از الگوریتم‌های تکرار و اعمال ضرایب زیر تخفیف می باشد.
با وجود مزایای زیاد، این روش دارای نقاط ضعف نیز میباشد که از جمله می‌توان به موارد زیر اشاره نمود:
1- 1- ضعف در مدلسازی جریان‌های چند فازی گاز-مایع با اختلاف چگالی و یا اختلاف گرانروی زیاد بین فازها.
2- 2- ضعف در شبیه‌سازی جریان‌هایی با اعداد ماخ بالا.
3- 3- ضعف در مدل نمودن هندسه با مرزهای منحنی.