智能算法

小O的算法实验室

2026年ASOC，基于深度强化学习的无人机三维复杂环境分层自适应导航规划方法，深度解析+性能实测针对UAV自主导航中反应式方法缺乏远见及传统规划方法动作空间维度过高的局限，本文提出了一种基于深度强化学习的分层自适应导航规划方法（HAP），其利用3D贝塞尔控制点简化路径规划的动作空间，并结合分布软角色-评论家（DSAC）算法与针对性的稠密奖励函数，使无人机在无需地图且传感器精度要求较低的情况下，实现了兼顾长远视觉与实时避障的自适应重规划能力。

小O的算法实验室

2025年SEVC，考虑组件共享的装配混合流水车间批量流调度的多策略自适应差分进化算法，深度解析+性能实测针对考虑组件共享的装配混合流水车间批量流调度问题，本文建立了一个最小化最大完工时间和在制品库存的混合整数线性规划模型，并提出了一种多策略自适应差分进化算法（MSDE）进行高效求解，该算法通过融合三种面向特定问题的初始化策略提升了初始种群的质量与多样性，利用基于Q-learning的机制自适应选择交叉与变异算子以平衡全局探索与局部开发，并附加了专门的库存缩减策略，以在不延长总工期的前提下大幅减少在制品数量。

小O的算法实验室

2026年SEVC，面向主动成像卫星任务规划问题的群体智能与动态规划混合框架，深度解析+性能实测卫星任务规划问题（SMPP）是典型的 NP-hard 组合优化问题，针对全敏捷对地观测卫星主动成像任务中任务选择、可变观测时长和累积时变成像质量需协同优化的难点，本文提出了融合动态规划与五种元启发式算法的混合框架 DPA-MHA。其中，第一阶段利用动态规划精确生成可行观测路径，第二阶段借助针对性设计的元启发式算子优化观测开始时间与持续时长。

小O的算法实验室

2026年SEVC，高密度仓库中结合任务分配的多AGV无冲突调度框架，深度解析+性能实测—随着智能仓库规模扩大，AGV 的大规模协同面临碰撞多、易拥堵及路径规划计算量爆炸等挑战，针对高密度环境，本文提出了一种集成任务分配的优先级驱动多 AGV 无冲突调度框架，将任务分配建模为考虑车辆负载与任务类型的多旅行商问题（MTSP），并利用GA求得近似最优解。算法通过引入高速公路机制、方向约束、转向惩罚及热力图启发的改进 A* 算法，在提升路径质量的同时缓解交通拥堵，再通过层次化优先级策略动态消除车辆间冲突。

小O的算法实验室

2026年IEEE TEVC，面向农业多机器人任务分配的自适应多目标任务划分算法，深度解析+性能实测针对智慧农业果园采收中的多机器人任务分配问题，本文研究了在工期与能耗两个目标下的协同优化，并综合考虑了任务可拆分、机器人多路径重复利用以及负载相关能耗等实际因素。为解决任务拆分导致决策空间急剧扩大的难题，本文提出了一种自适应多目标任务拆分算法（AMTSA），其采用混合编码表示任务分配信息，并在搜索过程中动态调整策略：前期侧重路径结构的全局探索，后期聚焦任务拆分优化以加快收敛。

小O的算法实验室

2026年SEVC，直觉模糊不确定环境下求解绿色多物品固定费用五维运输问题的多目标进化算法，深度解析+性能实测针对全球交通可持续发展的紧迫需求，本文构建了一个在不确定环境下支持绿色物流规划的决策模型。核心贡献在于提出了一个三阶段、五维、多目标且包含固定费用的多物品运输模型，并首次将驾驶员行为纳入碳排放计算，揭示了人为因素对环境影响的关键性。为了贴近现实，模型采用梯形直觉模糊数来刻画波动的运输参数。针对高维度和目标冲突带来的求解难题，研究对比了 NSGA-II 和 NSGA-III 算法，并通过开发专门的可行种群生成技术与变异算子提升了算法性能。

小O的算法实验室

2026年AST SCI1区TOP，基于速度障碍法的多无人机三维避障策略，深度解析+性能实测本文提出了一种基于改进速度障碍法（VO）与球面斥力势场法相结合的多无人机三维避障策略，该策略旨在解决无人机在复杂动静态环境中的实时安全导航问题，通过优化路径选择机制减少航程损耗，并利用混合算法攻克了近距离避障失效的难题。

小O的算法实验室

2025年IEEE TETCI SCI2区，一种用于二次无约束二进制优化的协同神经动力学算法，深度解析+性能实测针对二次无约束二进制优化问题（QUBO），本文提出了一种协同神经动力学优化算法，该算法通过引入多个离散神经网络模型（Hopfield网络和玻尔兹曼机）进行并行分散搜索，同时结合粒子群算法（PSO）策略，对神经元状态进行反复重初始化，从而增强全局搜索能力，避免陷入局部最优。

小O的算法实验室

2025年SEVC SCI2区，基于强化学习辅助粒子群算法的污水处理厂进水流量估算及出水调度问题研究，深度解析+性能实测针对污水处理过程（WWTP）中进水波动大、传统进化算法难以利用预估信息进行长期优化的问题，本文提出了一种强化学习辅助粒子群算法（RLA-PSO），该框架通过集成管网与厂站系统实现进水预估，并利用深度Q网络（DQN）在长尺度上学习状态、动作与奖励的关联，弥补了传统算法在长期调度决策上的局限性，同时引入基于集合粒子群算法（S-PSO）进行精细化搜索进一步提升强化学习的收敛效果。

小O的算法实验室

2026年SEVC SCI2区，面向城市 V2X 网络的RSU部署与UAV调度风险感知层级多目标规划，深度解析+性能实测基于城市V2X网络中RSU部署和UAV调度的联合优化问题，本文提出了一种分层多目标规划框架，其考虑了显著的时空需求变化和操作不确定性，通过上层搜索非支配的基础设施配置，平衡总成本、时空覆盖和鲁棒性；下层通过状态感知的贪心调度策略评估每个配置，明确建模UAV的操作模式和电池/充电动态。鲁棒性通过冗余、覆盖变化和任务平衡的加权组合优化，并通过情景条件风险值（CVaR）评估需求扰动和组件故障下的尾部风险。

小O的算法实验室

2026年IEEE TNSE SCI2区，基于预测的双阶段分布式任务分配方法+搜救场景中最大化任务分配，深度解析+性能实测本文提出一种基于预测的双阶段分布式任务分配方法（PDTA），用于多机器人系统在搜索与救援（SAR）场景中的任务分配。该方法首先通过性能影响算法生成初始任务分配，并利用任务竞标预测机制减少无效竞标、提高收敛速度，同时在成本函数中考虑任务截止时间和燃料限制，通过局部搜索机制优化分配结果，提高任务完成质量和数量。

小O的算法实验室

2026年IEEE TCYB SCI1区TOP，电动采摘机器人多目标任务分配：一种分层路径重构方法，深度解析+性能实测随着农业劳动力成本上升，多机器人系统被广泛应用于果园采摘，但在任务完成时间与能耗之间进行高效协调仍然具有挑战性，尤其是在负载影响速度变化和电池限制等现实约束下。为此，本文提出了农业多电动机器人多目标任务分配问题（AMERTA），并设计了一种混合分层路径重构算法（HRRA），包含分层编码、双阶段初始化、任务序列优化和路径重构算子等机制。

小O的算法实验室

2026年EAAI SCI1区TOP，基于LLM驱动的多群粒子群算法动态通信策略生成方法，深度解析+性能实测针对传统多群粒子群算法（MSO）依赖预定义通信策略、难以适应不同优化阶段和问题特性的不足，本文提出一种由大型语言模型（LLM）驱动的动态通信策略生成框架 L2D-MSO，该方法通过构建包含群体状态信息的自然语言提示，利用大语言模型进行实时推理，动态生成群体间通信策略，从而提升信息交互效率并加速收敛。同时引入自适应温度机制，根据优化进程调节扰动强度，以增强策略在不同阶段的适应性。

小O的算法实验室

2025年IEEE TSMCS SCI1区TOP，面向异构多点动态聚合的多阶段粒子群算法，深度解析+性能实测本文研究异构多点动态聚合（MPDA）多机器人任务分配问题，针对现有方法多假设机器人和任务同构的不足，提出一种考虑不同类型机器人及任务依赖关系的异构MPDA模型，并设计多阶段粒子群算法通过多阶段策略缩小搜索空间，并结合连续速度更新与离散位置更新的混合机制优化任务分配。实验结果表明，该方法在效率和性能上优于现有先进方法。

小O的算法实验室

2024年IEEE TII SCI1区TOP，面向动态多目标多AUV路径规划的协同进化计算算法，深度解析+性能实测针对多AUV在大规模复杂海底环境中执行多目标任务时面临的路径规划难题，本文突破传统单目标静态建模方式，将问题建模为动态多目标优化问题，并提出一种协同进化计算算法。该方法采用双层编码结构表示投放位置与任务访问顺序，结合多目标多种群框架、基于重组的采样策略以及环境变化下的增量响应机制，以提升解的多样性与收敛性能。基于新西兰海底地形数据构建的大规模复杂场景实验表明，该方法在解的多样性和最优性方面优于现有先进算法。

小O的算法实验室

2026年IEEE TAI，基于代理辅助双层优化的多次访问协同卡车-无人机路径规划，深度解析+性能实测针对带无人机的多次访问旅行商问题，本文构建了卡车与无人机协同关系的双层优化模型（Bi-MTSPD），在上层优化卡车路径与客户分配，在下层优化对应的无人机路径。为高效求解该模型，本文提出了一种代理辅助的双层优化算法，通过基于K近邻的代理模型引导上层搜索，将计算资源集中于潜在优质解区域，并在下层采用定制化模因算法优化无人机路径。

小O的算法实验室

2026年IEEE TCYB SCI1区TOP，少即是多：一种用于大规模优化的小规模学习粒子群算法，深度解析+性能实测针对大规模优化问题中大种群消耗过多适应度评估次数、导致进化不足的问题，本文提出了一种小规模学习粒子群算法（SSLPSO）。该方法每代仅更新最多两个代表性个体，以节省计算资源并延长有效进化过程，从而提升解的精度；同时结合代表个体选择机制、差异化学习策略以及基于进化状态的自适应调整机制，实现收敛性与多样性的动态平衡。

小O的算法实验室

2026年IEEE RAL SCI2区，基于熵的多无人机持续监测增量覆盖路径规划，深度解析+性能实测针对海上油污持续变化与分散分布带来的持续监测难题，本文提出了一种基于熵的增量覆盖路径规划方法（EICPP），通过相邻监测周期的轮廓对比，引入增量覆盖机制，重点关注新出现的油污区域；随后结合均衡区域划分算法，在处理分散油污区域的同时，实现多无人机负载均衡；最后基于熵进行路径规划，在无人机资源受限条件下优先监测高熵区域，从而提升漂移信息新鲜度（DIF）。

小O的算法实验室

2025年AEI SCI1区TOP，面向城市区域监视的任务驱动多无人机路径规划三阶段优化策略，深度解析+性能实测随着低空经济的发展，无人机在巡检、监视和搜救等领域得到广泛应用，多无人机协同执行监视任务的路径规划虽已有多种方法，但在复杂城市环境中常忽略通信受限、建筑遮挡和设备稳定性等不确定因素，导致任务失败。为提升局部通信网络下多无人机协同监视能力，本文将路径规划建模为包含多目标与多约束的NP-hard混合线性规划问题，并提出一种三阶段优化策略（TRUST），包括任务分组自适应、任务顺序优化和编队路径规划，该方法综合考虑区域覆盖率、能耗与任务风险，实现最优飞行路径规划。

小O的算法实验室

2026年SEVC SCI2区，面向无人机路径规划的领域专用算子进化算法，深度解析+性能实测针对多目标无人机路径规划中目标冲突、动态环境和复杂约束导致传统进化算法难以生成可行高效路径的问题，本文提出了一种嵌入领域知识的进化算法。通过引入基于 A* 的定向交叉算子生成可行子路径，结合自适应多项式变异机制平衡探索与开发，并利用 A* 进行局部路径精细化优化，显著提升了解的可行性与质量。