智能算法

小O的算法实验室

2026年SEVC，自适应模因算法+复杂约束条件下多无人机协同任务分配，深度解析+性能实测针对复杂作战约束下的多无人机协同任务分配问题，本文构建了综合优化总航程、最大完成时间与效费比混合变量模型，并提出一种自适应模因算法（AMA）。AMA算法融合约束感知初始化，采用双空间反馈驱动自适应局部搜索策略提升寻优精度。大规模测试表明，AMA较主流方法使平均相对百分比偏差显著降低65%–92%，验证了其在复杂约束条件下的优异求解效能与鲁棒性。

小O的算法实验室

2026年ASOC，基于多目标优化去噪双存档进化算法+路径规划，深度解析+性能实测针对噪声多目标优化问题，本文提出一种集成去噪机制双存档进化算法（DTAEA），构建基于梯度提升决策树（GBDT）去噪网络，通过在线学习动态更新网络参数，实现预测目标值的自适应降噪；同时引入决策与目标双空间拥挤度指标，协同评估个体分布，以提升复杂Pareto前沿上的种群多样性与均匀性。在DTLZ基准测试集及真实海流干扰下的3D自主水下航行器（AUV）路径规划实验中，DTAEA在优化质量、路径长度缩减及超体积鲁棒性指标上均表现出显著优势。

小O的算法实验室

2026年IEEE TSMC，基于Q学习平衡全局与局部搜索的防空资源分配问题进化算法，深度解析+性能实测针对现代防空武器系统协同运筹的高复杂度难题，本文构建了贴近真实战场环境防空资源分配问题（ADRAP）。为克服该问题决策空间稀疏、系统约束复杂及高实时性要求的瓶颈，本文提出一种融合Q学习进化算法，建立了一种自适应机制能依据当前种群状态动态切换并抉择最优局部搜索策略，以实现全局探索与局部开发动态平衡；同时，协同引入了知识引导搜索方法，显著提升了局部收敛效率。

小O的算法实验室

2026年SEVC，面向无人机辅助边缘计算的自适应群体智能算法，深度解析+性能实测针对基础设施匮乏环境下无人机辅助边缘计算的部署难题，本文提出一种基于梯度优化算法（GBO），通过结合全局探索与局部精细化机制，并引入时间图模型捕捉动态交互，实现了在降低能量损耗与重叠覆盖的同时，最大化地面用户覆盖率与节点间连通性。仿真结果表明，该方案在复杂灾区场景下具有极高的收敛效率与扩展性，显著提升了资源受限系统的实时服务能力。

小O的算法实验室

2025年IEEE TETCI，异构无人机取送货问题中的转运优化，深度解析+性能实测针对载重与续航提升背景下的物流无人机群，本文研究了一种基于大机载小机、自动化机场回收新型异构无人机取送货配送模式，并将其建模为开放式双层多目标路径优化问题。为解决传统算法忽略历史经验、计算资源冗余问题，论文提出一种结合启发式算子迁移优化算法（TOHO），通过拓扑对齐映射机制提取并重用既有任务知识，以加速新任务收敛；设计了一种基于投票机制集成遗传优化策略，利用启发式算子筛选兼具多样性与收敛性的帕累托前沿。基准测试结果证明，该方法在保证解集质量的同时，具有显著知识迁移能力与优化效率。

小O的算法实验室

2026年IEEE TITS，面向按需外卖配送调度的特定问题知识与基于学习元启发式算法，深度解析+性能实测针对按需外卖配送中最小化总延迟时间与总行驶距离的多目标调度问题，本文建立了基于订单与位置两种数学模型。通过引入双串编码、多约束初始化以及七种基于特定问题知识的局部搜索算子，对差分进化、粒子群与人工蜂群算法进行了改进，并结合强化学习设计了局部搜索算子的动态选择策略。基于真实场景实例的对比实验验证了所提模型与策略的有效性，结果表明改进的人工蜂群算法（ABC_LS_Q1）表现出最优竞争性能。

小O的算法实验室

2026年IEEE TEVC，知识引导的竞争进化算法用于多解传感器-武器-目标分配问题，深度解析+性能实测针对现代防空体系下传感器-武器-目标分配问题（SWTA）在多维约束及多解特性上的挑战，本文提出一种知识引导的竞争进化算法（KCEA），该算法融合知识提取机制与竞争选择策略，通过识别雷达通道冲突及资源分配规律引导搜索方向，并在保持战术解多样性的基础上实现了多解方案的同步寻优。实验结果表明，KCEA在复杂动态对抗环境下展现出优于现有主流算法的求解效能与决策灵活性。

小O的算法实验室

2026年IEEE TBD，面向大规模优化的随机矩阵粒子群算法，深度解析+性能实测—针对矩阵进化计算求解大规模优化问题时寻优能力与收敛速度不足的问题，本文提出基于随机矩阵粒子群算法（RMPSO），该算法引入随机矩阵学习策略兼顾全局搜索与计算速度，并结合基于动力系统矩阵分析策略指导参数配置以加速收敛。

小O的算法实验室

2026年ESWA，基于固定机巢的无人机输电杆塔、变电站与配电杆混合巡检任务分配与路径规划，深度解析+性能实测针对电网多设施（输电杆塔、变电站、配电杆）巡检任务的时频异构性，本文提出一种基于固定机巢无人机混合巡检策略，并设计两阶段启发式算法（时空聚类按日分配结合双层ALNS算法），实现任务分配与无人机路径规划的联合优化。

小O的算法实验室

2026年IEEE TETCI，山区环境下基于双种群进化的协同无人机巡逻任务协同优化，深度解析+性能实测针对无人机在复杂山区执行巡逻任务时面临的任务分配与安全避障难题，本文提出了一种基于双种群进化的协同优化算法（DECOA），旨在实现多机协同巡逻任务的全局寻优。针对任务分配与路径规划的异构特性，本文设计了两种不同的粒子编码方案，将求解空间高效映射为算法可处理的粒子形态。为突破传统演化算法在复杂空间中的寻优瓶颈，DECOA引入动态双种群搜索策略以平衡种群的探索与开发能力，并结合自适应协同机制进一步强化算法在优势区域的全局搜索性能。

小O的算法实验室

2026年ASOC，基于人工势场的差分进化算法改进框架，深度解析+性能实测针对差分进化算法（DE）在复杂场景中易早熟收敛及搜索效率不足的局限性，本文受人工势场机制（APF）启发提出了一种基于虚拟力场引导的DE算法改进框架，将种群寻优过程与势场力学相结合，利用引力驱使个体向潜在最优区域靠拢，同时将劣质解视为虚拟障碍物释放斥力，从而有效规避搜索停滞风险，引导种群向高潜能区域高效演化。

小O的算法实验室

2025年SEVC，面向进化计算的学习注入式优化，深度解析+性能实测本文提出学习注入优化（LIO）通用框架，旨在挖掘进化计算过程中产生的海量数据价值，该框架通过引入神经网络学习演化规律，从种群迭代信息中提取具有强泛化性与高效性的综合模式，以弥补传统元启发式算法在信息利用率上的不足。

小O的算法实验室

2026年AST，复杂边界环境下多无人机协同搜索攻击+分形智能自组织任务规划，深度解析+性能实测针对复杂边界区域内多无人机搜攻任务的适应性难题，以及传统网格分区法受粒度变化影响导致的稳定性不足，本文提出一种分形智能自组织任务规划算法（FISOMP），该算法深度融合了中心化任务分配、覆盖路径规划与分布式攻击协调机制，利用分形分解技术实现对任意尺度复杂边界环境的自适应表征。通过引入最优分形粒度函数，在满足无人机扇形探测载荷约束与连续航迹飞行需求的同时，消除了人工配置网格参数的依赖。

小O的算法实验室

2026年ESWA，考虑曲率约束路径优化的 Dubins-RRT* 运动规划算法，深度解析+性能实测针对 Dubins 运动规划中采样随机性导致的路径曲率冗余问题，本文通过融合 Dubins 路径 RRT* 算法采样与碰撞检测机制，为保障路径优化过程中的安全性，引入了安全半径扩张策略。针对求解复杂性，本文提出了三种基本形式及直接求根法，设计了曲率约束路径优化算法（CCPOA）。通过整合改进Dubins-RRT*（MDR）与 CCPOA构建了一套完整运动规划框架，仿真结果验证了该算法在路径质量与规划效率上的优越性。

小O的算法实验室

2026年ESWA，自适应基于排序的协同进化学习粒子群算法+边缘计算服务器部署，深度解析+性能实测针对移动边缘计算（MEC）服务器部署中云端卸载与延迟难以精确平衡，以及大规模网络下决策变量指数级增长引发的维数灾难等挑战，本文构建了一个联合优化延迟、能耗与负载均衡的约束多目标模型。为高效求解该模型，本文提出了一种自适应基于排序的协同进化学习算法，通过设计领域驱动变量分组（DVG）策略有效降低高维复杂性，并引入自适应排序协同进化学习（ARL）机制显著提升大规模环境下的求解精度。

小O的算法实验室

2025年IEEE TITS，基于矩阵的进化计算+面向无线传感器网络数据收集无人机路径规划，深度解析+性能实测针对无线传感器网络（WSN）中无人机数据收集的路径规划难题，本文构建了一种面向实际应用新型约束优化模型。为突破传统数学方法推导复杂以及经典进化计算（EC）串行耗时的技术瓶颈，本文提出了一种基于矩阵的差分进化算法（MDE），通过矩阵索引操作实现并行计算，从而大幅提升求解效率，鉴于现有矩阵进化计算在处理约束优化问题时的局限性，进一步引入了约束引导优化（CGO）策略，使MDE具备了处理复杂约束的能力。

小O的算法实验室

2022年IEEE TETCI，基于矩阵的进化计算，深度解析+性能实测本文提出一种基于矩阵的进化计算（MEC）框架，旨在通过底层架构的重构解决传统进化算法在大规模优化问题中面临的计算负担重、运行时间长等瓶颈，该框架从个体表征到进化算子均采用了全新的矩阵化视角：将整个种群定义为一个矩阵，其中行与列分别映射个体与决策变量维度，从而能够直接利用高性能计算资源的并行矩阵运算能力，显著提升算子的执行效率。通过对矩阵化遗传算法（GA）和粒子群算法（PSO）的实现及复杂度分析，实验结果证实该框架在处理高维变量时能大幅削减计算耗时，为进化计算在大规模复杂优化问题中的应用提供了高效的新路径。

小O的算法实验室

2026年IEEE IOTJ，DNA序列启发相似性驱动粒子群算法+无人机与基站部署，深度解析+性能实测针对城市物联网中海量设备接入引发的突发性高流量需求，无人机基站（UAV-BS）的动态高效部署是满足复杂环境下普通与特殊区域差异化通信覆盖的核心挑战。因此，本文提出一种基于DNA序列相似度计算的平均汉明距离改进粒子群算法（AHDPSO），该算法将粒子的位置与速度信息矩阵化，利用DNA映射序列计算平均汉明距离以精准识别离群点；在此基础上，算法引入搜索引导系数c3量化离群点对全局搜索的导向作用。

小O的算法实验室

2025年SEVC，神经-粒子群算法+大规模动态优化，深度解析+性能实测针对极具挑战性的高维动态优化问题，本文提出了融合变量分解、多子群搜索与机器学习预测的优化算法。为突破高维空间带来的维度瓶颈，该算法依据决策变量间的交互程度将复杂原问题降解为多个子问题，并引入多子群机制驱动各子问题独立进化以实现高效寻优。为响应环境的动态变化，算法构建了基于机器学习的预测策略，通过深度挖掘历史解信息来预测新环境下的潜在优质解。

小O的算法实验室

2025年IEEE TEVC，具有优先约束条件的多目标多机器人任务分配协同蚁群系统，深度解析+性能实测针对异构多机器人系统中伴随优先约束的大规模多目标任务分配问题，现有算法在求解的收敛性与解集多样性上面临挑战。为此，本文建立三目标优化模型提出一种协作式蚁群系统（CACS）以同时最小化最大完工时间、平均机器人移动时间及平均任务等待时间，该系统构建三个独立蚁群分别优化各项指标，采用任务-联盟序列编码以适配优先约束，并设计了结合动态启发式信息与双信息素矩阵新型构造策略以生成可行解。此外，算法引入基于融合的局部搜索机制，通过交互多蚁群信息进一步提升解集的质量。