智能算法

小O的算法实验室

2026年SEVC SCI2区，面向空地跨域无人集群的目标引导自适应路径规划方法，深度解析+性能实测空地跨域无人集群在军事侦察、灾害救援等应用中具有重要价值，但其在复杂动态环境下面临异构协同与动态避障等路径规划难题。针对上述问题，本文提出一种受狼群行为启发的目标引导自适应路径规划方法（TAPP），通过并行图搜索与目标信息动态融合引导个体决策，并结合基于动态优先级的局部避障机制，在避免运动冲突的同时提升集群执行效率。仿真与对比实验结果表明，该方法在计算效率、路径质量和环境适应性方面具有显著优势，尤其适用于大规模、高动态的空地跨域无人集群任务，具备良好的应用前景。

小O的算法实验室

2022年CIE SCI2区TOP，双向交替搜索 A* 算法的移动机器人全局路径规划，深度解析+性能实测针对传统 A* 算法在大规模环境中存在的计算效率低、路径转向角大以及路径不平滑等问题，本文提出了一种改进 A* 路径规划算法，该方法引入双向交替搜索（BAS）策略，通过正向与反向搜索交替进行并在路径相遇时完成规划，有效提升了搜索效率；同时，采用指数衰减加权的启发式函数，进一步优化了搜索性能。为减少路径冗余并降低转向角，算法引入路径节点筛选机制，并利用 Bézier 曲线实现路径平滑处理，以满足移动机器人运动控制的实际需求。

小O的算法实验室

2022年TRC SCI1区TOP，基于随机分形搜索算法的多无人机四维航迹优化自适应冲突消解方法，深度解析+性能实测随着无人航空系统在城市低空的快速发展，安全高效的低空交通管理亟需突破。飞前四维航迹优化是实现冲突探测与消解、生成无冲突航迹的关键技术。针对单一冲突消解策略难以适配多类型冲突的问题，本文提出一种具有可解释性的自适应冲突消解决策框架，该框架采用双层优化结构：通过概率模型自适应选择冲突消解策略，并利用混合整数非线性规划对调度、速度调整与航迹重规划等策略参数进行联合优化。同时，引入改进的随机分形搜索算法，通过惩罚引导与探索—开发平衡机制提升求解效率与稳定性。

小O的算法实验室

2023年IEEE TIV，GA-LNS算法+直升机救援调度，深度解析+性能实测本文研究多直升机、多往返任务的航空救援路径规划问题（ARRP），弥补了以往研究忽略实际救援流程与燃油消耗差异的不足。为此，本文构建了可模拟不同机型、补给方式、资源位置与灾害场景的时间域仿真模型。基于该模型，本文提出混合遗传算法与大邻域搜索方法的GA-LNS，通过距离贪心与载荷比策略有效避免局部最优。算法采用基于任务序列的染色体编码、单点交叉以及最差移除与首/尾插入等算子。

小O的算法实验室

2022年AEI SCI1区TOP，用蚁群算法求解无人机配送车辆路径规划问题，深度解析+性能实测随着电商与物流行业对快速、高效配送的需求不断攀升，无人机成为提升配送速度与灵活性的关键技术。研究表明，无人机与卡车协同执行包裹投递，不仅能显著降低运营成本和碳排放，还可缩短整体配送时间。本文构建了一个混合整数规划模型，用于解决无人机车辆路径问题（VRPD）。模型内容包括：为客户分配无人机-卡车组合、确定所需的派遣单元数量，并在最小化两类车辆固定与行驶成本的前提下规划最优配送路径。由于 VRPD 属于 NP-hard 问题，研究进一步设计了蚁群算法（ACO）进行求解。为提升协同配送效率，研究提出两种创新策略

小O的算法实验室

2021年TPC SCI1区TOP，多次访问的多无人机旅行商问题，深度解析+性能实测本文研究多无人机参与的多次访问旅行商问题（MTSP-MD），目标是最小化卡车与无人机协同完成所有客户服务的总时间。随着无人机在末端配送中的应用日益增长，卡车—无人机协同配送模式愈发受到关注，但现有研究普遍依赖较强的简化假设，难以真实体现复杂的实际场景。在本问题中，无人机的能耗取决于飞行时间、自重及所携带包裹重量，并会在配送过程中动态变化。MTSP-MD主要涉及三项核心挑战：（1）受载重与能量双重约束的无人机飞行规划；（2）带优先次序约束的旅行商路径优化；（3）卡车路线与无人机调度之间的同步协调。为解决上述

小O的算法实验室

2025年COR SCI2区，双种群 NSGA-II 算法+卡车–无人机–调度车辆的多目标应急物资调度，深度解析+性能实测应急物资调度在灾害响应中至关重要，但现有研究大多仅考虑卡车运输。受无人机在军事与商业物流中成功应用的启发，本文提出了一种基于卡车–无人机–调度车辆协同配送的应急物资调度模型，实现了对传统无人机车辆路径问题（VRPD）拓展。通过引入可运输无人机的调度车辆，该模型更贴合实际灾害场景中的复杂需求。为高效求解该模型，本文构建了增强双种群 NSGA-II 算法，该算法融合面向模型特性的局部搜索算子以提升局部优化能力，并改进选择机制以增强种群多样性。同时，以原始种群的帕累托前沿构造精英种群，在其邻域开展深度搜索，从而

小O的算法实验室

2026年SEVC SCI2区，基于k均值聚类和自适应双群策略的粒子群算法，深度解析+性能实测—针对传统粒子群算法（PSO）易陷入局部最优、后期搜索效率低以及参数依赖性强等问题，本文提出了一种融合 k-means 聚类与自适应双群策略的粒子群算法（PSO-KCAD），该方法通过双粒子群协同进化，在搜索初期强化全局探索能力，在后期提升局部开发效率。引入综合学习机制和精英–普通粒子分层策略，加强粒子间的信息交互，加速算法收敛。为了维持种群多样性并提高解的精度，算法进一步采用自适应精英替换机制与竞争干扰机制。

小O的算法实验室

2026年EAAI SCI1区TOP，基于进化算法的多目标施工现场布局与安全规划模型，深度解析+性能实测能源生产基地和前沿军事基地的关键设施常成为爆炸式恐怖袭击的重点目标，此类袭击会导致人员伤亡、经济损失，并扰乱基地的正常运作。为应对此风险，本文构建了一个综合考虑爆炸威胁的多目标优化模型，用于解决场址布局与安全规划问题。模型同时兼顾减少爆炸后果、降低建设成本以及降低对基地运营的影响。针对该模型的复杂性，本文设计了由进化算法与贪心算法协同构成的双算法优化框架，能够为决策者提供多种在不同目标之间取得平衡的可行方案。

小O的算法实验室

2024年IEEE IOTJ SCI2区TOP，基于混合算法的水下物联网多AUV未知环境全覆盖搜索方法，深度解析+性能实测本文针对水下物联网（IoUT）中环境未知、搜索困难等关键问题，提出了一种基于多算法融合的水下全覆盖搜索方法，方案综合运用了改进的 Voronoi 聚类策略、全维度自适应人工蜂群（ABC）算法、改进的视线（LOS）路径平滑技术以及人工势场（APF）动态避障方法，实现了对未知水下区域的高效移动目标搜索。Voronoi 聚类用于区域划分与任务分配；ABC 算法负责生成全局搜索路径，并通过改进 LOS 技术进行优化；在航行过程中，AUV 可依据 APF 方法实现局部避障与动态路径调整。

小O的算法实验室

2025年IJPR SCI2区，基于混合邻域结构的高效稳定智能调度算法用于柔性作业车间调度，深度解析+性能实测大规模定制是现代商业环境中的重要战略，而柔性作业车间因其高度灵活性，尤其适合应用于大规模定制。因此，柔性作业车间调度问题（FJSP）近年来得到了广泛关注。为解决FJSP，研究者提出了多种智能算法，并通过BRdata、BCdata和DPdata等基准测试评估其性能。然而，许多基准实例仍未得到有效解决。本文提出了一种混合遗传禁忌搜索算法（HGTSA）来进一步解决这些基准问题，其设计了一种能够同时表示机器选择和操作顺序的编码方式。在遗传算法阶段，提出了两种专门的交叉算子，确保种群多样性；同时，设计了两种变异算子

小O的算法实验室

2024年COR SCI2区，改进MOEA/D算法+考虑效率和成本的多目标柔性作业车间调度，深度解析+性能实测为实现航天制造业生产过程的降本增效，本文建立了多目标柔性作业车间调度问题（MOFJSP）的数学模型，该模型综合考虑了四个优化目标：完工时间、刀具数量、机器负载以及机器能耗。为求解 MOFJSP，本文提出了一种改进基于分解的多目标进化算法（IMOEA/D）。为提升解的质量，算法在原有的替换操作基础上引入了另一种全局更新策略；种群初始化采用四种分配规则，并根据种群演化程度动态更新邻域结构。

小O的算法实验室

2025年CMAME SCI2区，基于优先级驱动搜索、具备动态候选解管理策略的粒子群算法，深度解析+性能实测—本文提出了一种面向高维复杂工程优化的优先级驱动粒子群算法 PDPSO，算法通过去除惯性项的优先级搜索机制与自适应动态候选解管理，实现了无需变异算子的稳定高效搜索，并在探索与开发之间保持自平衡。PDPSO 在 CEC2017 高维测试与 34 个工程案例中均展现出高精度、强鲁棒性和低维度敏感性。

小O的算法实验室

2026年INS SCI2区，三维互可视区域覆盖的监视布局优化，深度解析+性能实测本文提出了一种新的监控布局优化方法，通过引入三维互可视性来提升区域的安全覆盖。相较于传统的统一处理方式，本方法通过生成网格热力图来确定区域内的需求点，并基于这些需求点的优先级进行优化。基于此，本文采用交叉变异粒子群算法（CMPSO）来求解设备的最优部署，确保在减少设备数量的同时，维持高水平的安全防护效果。实验结果验证了该方法在提升监控效率和区域覆盖能力方面的有效性。

小O的算法实验室

2025年IEEE TITS SCI2区TOP，具有异质配送与取件服务的多目标多无人机协同路径规划，深度解析+性能实测随着电子商务的快速发展，物流服务类型日益多样化。针对城市环境中的物流需求，本文提出了一种由多架无人机与智能快件柜（SPLs）协同作业的物流系统，以为客户提供包裹取件、配送以及城内按需投递服务。不同于传统的取件与配送服务，城内按需投递服务要求无人机从某一客户处取件并配送至另一客户处。为了在具有弹性时间窗的前提下为客户规划合理的服务路线，多无人机协同路径规划问题显得尤为关键。本文构建了一个多目标混合整数规划模型，以同时最小化运输成本和最大化客户满意度为目标，该模型综合考虑了无人机的动态能耗、软时间窗以及因单载

小O的算法实验室

2025年IEEE IOTJ SCI2区TOP，多无人机辅助MEC系统中的能效部署与卸载策略，深度解析+性能实测无人机辅助的移动边缘计算（MEC）系统为移动智能终端（MITs）提供了额外的计算能力，成为一种具有潜力的技术。本文旨在优化多无人机（UAVs）辅助MEC系统中为大量MITs提供服务时的能效。为此，本文提出了一种两层回溯搜索算法（TBSA），TBSA的上层通过将回溯搜索算法（BSA）与基于广义对立学习的自适应种群调整策略相结合，优化UAV的部署；下层则根据上层算法得到的AAV部署情况，确定卸载决策和资源分配。在下层中，定义了随机优先级序列（RPS）来描述MITs的卸载决策，并采用BSA来寻找最优的RPS。

小O的算法实验室

2022年IEEE TITS SCI2区TOP，基于切线交点和目标引导策略的无人机自主路径规划，深度解析+性能实测无人机路径规划使无人机能够避开障碍物并高效到达目标，为了生成无障碍碰撞的高质量路径，本文提出了一种基于切线交点和目标引导策略的自主路径规划算法（APPATT）。在目标引导下，采用椭圆切线图方法生成两条子路径，当遇到障碍物时，基于启发式规则选择其中一条子路径。无人机沿选定的子路径飞行，并通过这种方式反复调整飞行路径，以避开障碍物，直到无碰撞路径延伸到目标。考虑到无人机的运动约束，采用三次B样条曲线平滑航点，以获得可行路径。

小O的算法实验室

2025年TRE SCI1区TOP，随机环境下无人机应急医疗接送与配送的先进混合方法，深度解析+性能实测论文提出了一种优化紧急医疗运输的混合方法，结合无人机（UAV）进行接送与配送。模型考虑了随机需求和飞行环境的不确定性，解决了库存短缺、突发需求和地理障碍等问题。首先，构建了一个基于混合整数线性规划的医疗接送模型（HPDUP），然后扩展为考虑随机环境的HPDU-SEP模型。为优化无人机轨迹，提出了结合Q-learning的自适应大邻域搜索（ALNS-QLTP）方法，通过地理信息和反馈参数提升优化效率。实验表明，ALNS-QLTP在大规模不确定环境中能显著提高轨迹优化效果，保证了较高的患者覆盖率。

小O的算法实验室

2023年IEEE TCYB SCI1区TOP，基于改进多目标群体智能算法的灾难应急响应精确无人机三维路径规划方法，深度解析+性能实测无人机三维飞行路径规划是灾难应急响应中的关键挑，。理想路径应平衡飞行路径长度与地形威胁，以缩短飞行时间并减少碰撞风险。传统方法难以平衡这些因素，且缺乏实际约束，导致优化效果不佳。本文提出了一种基于改进多目标群体智能算法（APPMS）的精确路径规划方法，通过将路径规划转化为多目标优化问题，同时优化飞行路径长度和地形威胁度。采用改进的蚁群优化算法提升了全局与局部搜索能力。通过模拟实验和实际应急数据验证了该方法的有效性。

旅行商问题(遗传算法求解)问题：一个商人要去全国31个省会城市，每个城市只能去一次，而且最后要回到最初出发的城市，需要进行路径选择：要求所选路径的路程是所有路径之中最短的。