智能算法

小O的算法实验室

2024年IEEE TMC SCI1区TOP，面向无人机辅助 MEC 系统的轨迹规划与任务卸载的双蚁群算法，深度解析+性能实测针对无人机辅助移动边缘计算系统中的无人机轨迹规划与任务卸载问题，本文提出了一种双目标蚁群算法，该算法在满足能量、时限、位置及任务优先级等多重约束的前提下，同时优化系统总成本与任务完成时间。通过引入具有不同目标偏好的异构蚁群，并设计可行解生成、解划分及信息素更新等关键机制，实现了对多目标问题的高效求解。

小O的算法实验室

2024年ESWA SCI1区TOP，容错文化概率粒子群算法+多 AGV 路径规划，深度解析+性能实测本文提出了一种混合文化–粒子群算法（C-PSO），融合文化算法与粒子群优化的优势，以平衡全局探索与局部开发并避免陷入局部最优。算法基于改进 Metropolis 规则，采用概率机制更新惯性权重。针对工业仓库中多 AGV 实时安全运行的需求，C-PSO 通过双层框架实现任务分配、容错与避碰路径规划。

蚁群算法原理及实现蚁群算法是一种源于大自然生物世界的新的仿生进化算法，是由意大利学者. Dorigo , V . Maniezzo 和 A . Colorni 等人于20世纪90年代初期通过模拟自然界中蚂蚁集体寻径行为而提出的一种基于种群的启发式随机搜索算法。蚂蚁有能力在没有任何提示的情形下找到从巢穴到食物源的最短路径，并且能随环境的变化，适应性地搜索新的路径，产生新的选择。其根本原因是蚂蚁在寻找食物时，能在其走过的路径上释放信息素也称外激素，随着时间的推移该物质会逐渐挥发，后来的蚂蚁选择该路径的概率与当时这条路径上的信息

小O的算法实验室

2026年AEI SCI1区TOP，基于多策略集成粒子群算法+无人机平滑覆盖路径规划，深度解析+性能实测针对复杂应用场景下无人机集群路径规划效率和轨迹平滑性不足的问题，本文构建了一个包含多重约束条件的平滑覆盖路径规划模型，并在仿真环境中引入多形态障碍物以增强模型的工程适用性。通过采用 G2 连续的 Said-Ball 曲线对飞行路径进行参数化建模，并设置多个关键节点作为曲线端点，实现了更加灵活且平滑的轨迹生成。论文提出了一种多策略融合改进粒子群算法 ACDMRPSO，其有效提升了种群多样性和全局寻优能力。

小O的算法实验室

2025年DT SCI1区TOP，复杂约束下异构无人机协同任务分配的能量学习超启发式算法，深度解析+性能实测协同任务分配是无人机领域的重要研究问题，针对复杂约束条件下异构无人机的协同任务分配，本文提出了一种能量学习超启发式（EL-HH）算法。该方法首先建立数学模型，对任务场景、约束条件和优化目标进行统一描述；随后设计了三层方案编码结构（任务序列、无人机序列与等待时间），并引入基于能量学习的超启发式策略，自适应调控多种优化算子的选择与应用，从而充分探索解空间。同时，通过任务顺序与时间调整策略，对任务执行过程进行动态优化。仿真与实验结果表明，所提出的 EL-HH 算法在求解复杂约束下的异构无人机协同任务分配问题中具

小O的算法实验室

2025年AEI SCI1区TOP，基于自适应进化算法的城市空中交通多目标枢纽选址，深度解析+性能实测随着城市化和人口规模的不断扩大，传统城市物流在效率与容量方面面临严峻挑战。城市空中交通（UAM）通过在关键枢纽间实现快速、直达的空中运输，为城市空中物流（UAL）提供了新的发展路径。然而，现有UAL枢纽选址研究多聚焦于成本与效率等经济因素，普遍忽视了UAM运行过程中涉及的第三方安全风险。针对这一不足，本文构建了一种融合城市空中配送风险评估的多目标混合整数规划模型，将经济成本与第三方安全风险作为双目标同时优化，为决策者提供安全与效率之间的权衡方案。为高效求解该模型，论文提出了一种基于自适应算子选择改进非支配

小O的算法实验室

2023年KBS SCI1区TOP，具有通信约束的多无人机协同路径规划优化，深度解析+性能实测路径规划是确保无人机（UAV）安全飞行的关键优化问题，尤其在多无人机协同飞行的场景中，由于复杂环境、不同任务需求和无人机固有的机动性限制，问题更具挑战性。本文提出了一种多无人机协同路径规划模型，该模型不仅考虑了常见的路径长度最小化、机动性限制和避碰要求，还考虑了无人机之间的通信需求及飞行环境中障碍物对通信质量的影响。基于此，设计了相应的目标函数，并提出了一种改进粒子群算法（PSO）算法来解决该路径规划问题，该算法结合了动态多群体粒子群算法（DMSPSO）和综合学习粒子群算法（CLPSO）的思想，提出的CL

小O的算法实验室

2024年IEEE TAES SCI2区，一种改进人工电场算法用于机器人路径规划，深度解析+性能实测本文针对人工电场算法（AEFA）在优化性能和应用范围方面的不足，提出了一种改进人工电场算法（I-AEFA），并将其成功应用于三维复杂环境下的机器人路径规划问题。该算法通过引入参数自适应、反向学习和柯西变异三种机制，显著增强了种群的全局搜索能力与收敛精度。在此基础上，构建了精确的三维地形模型，并结合三次样条插值方法，实现了机器人全局路径的高效规划。通过大量虚拟仿真实验与硬件在环仿真，对不同改进机制、控制点数量以及单机器人与多机器人场景下的算法性能进行了系统评估。

小O的算法实验室

2026年CIE SCI2区TOP，一种用于公平且高效应急救援物资分配的无人机–卡车混合模型，深度解析+性能实测本文聚焦灾后应急物流的高效与公平配送问题，基于灾情严重程度提出优先分区策略，利用聚类算法将灾区划分为紧急区和次紧急区。在此基础上，本文构建了一个兼顾运营成本最小化与最大短缺率最小化的扩展目标规划模型，用于优化灾后三层应急物流供应链决策。模型同时引入公平性约束与无人机–卡车混合运输模式，以提升灾区物资配送的灵活性与效率。通过 2008 年汶川地震案例验证了模型的有效性，并结合敏感性分析评估关键参数对最优解与系统性能的影响，表明该模型具有良好的鲁棒性和现实适用性。

小O的算法实验室

2026年SEVC SCI2区，基于差分向量内学习策略的自适应指数交叉差分进化算法，深度解析+性能实测针对传统 DE 研究中指数交叉应用不足的问题，本文提出了一种基于差分向量内学习策略的自适应指数交叉差分进化算法（DLS-DE），该算法通过两阶段参数控制与自适应σF\sigma FσF策略，实现缩放因子FFF在探索与开发之间的动态平衡；引入差分向量学习机制，在个体停滞时自适应调整搜索方向；并采用指数交叉与活应度无关的参数权重更新机制，有效缓解过早收敛。

小O的算法实验室

2026年SEVC SCI2区，当机器人向自然学习：GLWOA-RRT*受自然启发的运动规划方法，深度解析+性能实测针对自主移动机器人在复杂真实环境中运动规划效率与最优性难以兼顾的问题，本文提出了一种融合自然启发式优化思想的全局运动规划方法——GLWOA-RRT*，该方法将快速随机探索树优化算法（RRT *）与鲸鱼优化算法（WOA）相结合，利用 RRT * 的高效空间探索能力生成高质量初始路径，并借助 WOA 在全局搜索、快速收敛及避免局部最优方面的优势，对机器人运动轨迹进行进一步优化。GLWOA-RRT * 通过将群体中每个智能体映射为机器人的运动行为，实现对安全且最优运动规划问题的全局求解。

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。