智能算法改进

小O的算法实验室

2025年SEVC SCI2区，河流水质监测中卡车与无人机协同的双目标路径规划问题，深度解析+性能实测城市河流生态系统的保护是可持续水资源管理的关键环节，传统水质采样方法依赖船只，存在效率低、成本高及潜在污染等问题。本文提出一种创新解决方案：通过卡车与无人机协同作业，无人机负责采集水样本，卡车作为移动补给站以扩展其航程。研究建立了混合整数二次规划模型，综合考虑无人机载重变化对能耗的影响，并开发了一种改进NSGA-II，引入迭代前沿优化策略与三种专用遗传算子，以提升路径协同规划的多样性与种群质量。

小O的算法实验室

2023年IEEE TASE SCI2区，基于Dubins路径的多异构无人机动态灾情检测与验证集成分配，深度解析+性能实测本文针对异构无人机在动态侦察与确认任务中的任务分配问题，提出了一种融合路径规划与任务分配的优化方法。研究指出，任务分配效果高度依赖于路径规划，但相关研究较为匮乏。为此，本文在基于一致性捆绑算法上进行了改进，引入了有效的多任务、多智能体约束处理机制。该方法利用Dubins路径优化耦合路径，降低预估路径与实际路径的偏差，并通过分布式遗传算法缩短执行时间。

小O的算法实验室

2025年COR SCI2区，基于近似细胞分解的能源高效无人机路径规划问题用于地质灾害监测，深度解析+性能实测本文提出了一种能源高效的无人机路径规划方法（EURP）用于监测分散的地质灾害易发区域，通过建立无人机飞行模式的能耗模型，并采用近似细胞分解技术将区域离散为方格网，以提高图像获取精度。为解决EURP问题，本文设计了一个混合元启发式算法（EGHM），结合大邻域搜索（LNS）和可变邻域下降（VND）进行优化。

小O的算法实验室

2024年ASOC SCI2区TOP，有效离散人工蜂群算法+变压器制造矩形切割问题，深度解析+性能实测本文解决了变压器行业中带有断刀约束的二维矩形切割问题，该问题要求从较大且大小不一的矩形中切割出一组矩形物品，其目标是最小化切割所需物品所使用的料箱数量。为了解决这个问题，本文提出了一种有效离散人工蜂群算法，其采用十进制编码方式，其中每个整数代表一种料箱或物品类型，并通过构造性启发式解码整数列表，以生成符合断刀切割约束的切割模式。此外，还设计了一种复制策略来提高解的质量。

小O的算法实验室

2025年COR IOTJ SCI2区，灾后通信无人机基站位置优化和移动充电无人机路径规划，深度解析+性能实测本文针对灾害发生后传统通信系统失效的问题，提出了一种基于无人机创新通信解决方案。通过将无人机作为数据采集与传输平台，收集并回传受灾人群的消息与位置信息，建立稳定的应急通信网络。研究构建了一个优化模型，用于确定无人机基站的三维部署位置，以最大化覆盖率和服务质量，同时引入移动供电无人机为基站和数据传输提供能源，并对其路径进行优化。为提高求解效率，设计了基于聚类的混合启发式算法，并在土耳其苏丹贝利省开展案例研究。

小O的算法实验室

2023年IEEE IOTJ SCI1区TOP，动态环境下无人机目标覆盖任务路径规划，深度解析+性能实测无人机（UAV）作为物联网应用的重要工具，正广泛应用于智能农业监测、智能交通监测等领域，并逐渐成为国内外研究热点。然而，现有飞行路径规划算法在可行性与有效性方面仍存在不足。本文针对动态环境下无人机目标覆盖任务路径规划问题，提出了一种基于贪心分配与改进蚁群优化算法（ACO-VP），该算法首先通过贪心策略确定最优无人机数量并合理分配目标点；随后在蚁群算法中引入可变信息素增强因子和挥发系数，优化信息素更新机制以提升规划效率；并在目标点动态增加时实现路径的实时重规划。仿真结果表明，该方法在覆盖效率与路径优化效果方

小O的算法实验室

2025年KBS SCI1区TOP，矩阵差分进化算法+移动网络视觉覆盖无人机轨迹优化，深度解析+性能实测本文提出了一种面向无人机（UAV）新型轨迹优化方法，以实现对地面移动节点的高效视觉覆盖。与传统方法不同，该方法显式考虑节点的移动性，生成连续且平滑的三维飞行轨迹，更符合实际应用需求。研究目标是通过优化无人机轨迹设计，最大化任务执行过程中被覆盖的节点总数。为降低无限解空间带来的计算复杂度，本文首先利用 Bézier 曲线将连续的轨迹优化问题转化为离散的控制点选择问题，在保证轨迹平滑性的同时大幅简化计算。随后，基于矩阵差分进化算法（MDE）框架，提出了一种无人机轨迹优化算法，有效兼顾覆盖性能与计算效率。

小O的算法实验室

2024年Engineering SCI2区，面向工程管理的无人机巡检路径与调度，深度解析+性能实测无人机（UAV）技术的进步已革新多个行业，特别是在工程管理中，基于无人机的检查方法成为识别高风险建筑环境隐患的高效手段，远超传统技术。本文聚焦于无人机检查路径和调度优化，解决了禁飞区、监测时间窗口及多轮监测等带来的复杂问题。因此，本文提出了一个混合整数线性规划（MILP）模型，旨在优化检查任务分配、监测顺序调度及充电决策，该模型与传统车辆路径问题（VRP）不同，在大规模实例下，对于商业求解器具有较高的数学复杂性。为解决这一问题，本文设计了定制化变量邻域搜索算法（VNS），并通过广泛的数值实验验证了该算法的

小O的算法实验室

2024年ESWA SCI1区TOP，自适应种群分配和变异选择差分进化算法iDE-APAMS，深度解析+性能实测为了提高差分进化算法（DE）在不同优化问题上的性能，本文提出了一种自适应种群分配和变异选择差分进化算法（iDE-APAMS）。iDE-APAMS将变异策略分为探索策略池和开发策略池，不同的变异策略通过合作与竞争动态分配种群资源。策略池之间通过合作竞争种群资源，再由每个策略池内的变异策略相互竞争，从而优化资源分配，变异规模因子和交叉率根据种群多样性和适应度的变化自适应调整。

小O的算法实验室

2025年ESWA SCI1区TOP，强化学习多目标灰狼算法MOGWO-RL+分布式混合流水车间调度，深度解析+性能实测本文针对大规模个性化制造（MPM）中的调度问题，提出了一种新的解决方案。MPM能够在确保大规模生产的前提下，实现个性化定制，但由于制造任务类型和数量的快速变化，调度难度大大增加。为此，本文提出了分布式混合流车间调度问题（DHFSP-OMTA），通过将异质客户订单分解为标准和个性化生产任务，并将其分配到不同工厂来应对这一挑战。为了解决MPM中的调度问题，本文构建了一个混合整数线性规划模型，旨在同时最小化完工时间和总能耗。在此基础上，针对DHFSP-OMTA的高复杂性，设计了一种基于强化学习多目标灰狼算法（M

小O的算法实验室

2025年COR SCI2区，基于多种配送模式的无人机自主配送车辆路径问题，深度解析+性能实测自动配送车辆（ADV）和无人机因其高效、环保和便捷性在最后一公里配送中受到了广泛关注。此外，ADV与无人机之间的协同配送十分复杂，而现有的大多数研究主要集中在卡车与无人机之间单一配送模式下的协同配送。因此，本文提出了一种针对由ADV和异质无人机组成、基于多种配送模式的无人配送系统的新的车辆路径问题。针对该问题构建了一个以最小化成本为目标的混合整数规划（MIP）模型，称为基于多种配送模式的无人机自主配送车辆路径问题（ADVRPD-MDM）。为求解该模型，本文设计了一种结合了12种特定邻域结构、随机变量邻域下

小O的算法实验室

2024年ASOC SCI2区TOP，基于干扰模型的灰狼优化算法IIE-GWO+复杂丘陵地形农业无人机轨迹规划，深度解析+性能实测为解决农业无人机在复杂丘陵地形中轨迹规划的局限性，本文提出了一种结合丘陵地形特征和农业调度需求的轨迹规划模型。为了实现高效且稳定的飞行操作，提出了一种基于干涉图像增强模型的灰狼优化算法（IIE-GWO），该算法通过提高种群多样性，平衡探索与开发能力，从而优化飞行路径。

小O的算法实验室

2023年IEEE TITS SCI2区TOP，增强回溯搜索算法EBSA+多无人机辅助商业包裹递送系统飞行规划，深度解析+性能实测利用无人机进行商业包裹投递可以显著推动物流行业的转型升级，这得益于节省了人力资源成本，而无人机正在成为智能交通运输系统的新组成部分。然而，由于电池容量有限，无人机的飞行距离通常受到限制。为应对这一挑战，本文设计了一种多无人机协作的商业包裹投递系统，该系统通过广义服务网络（GSN）支持长距离投递。GSN 的每个节点都配备有充电桩，为无人机提供充电服务。考虑到每个节点充电桩数量有限以及无人机电池容量有限，为了确保系统的高效运行，将无人机的飞行规划问题转化为一个基于优先级编码机制的大规模优化问题。为解决这一问题

小O的算法实验室

2025年AIR SCI1区TOP，多策略增强蜣螂算法MDBO+实际工程问题，深度解析+性能实测蜣螂优化算法（DBO）作为一种创新元启发式算法，虽具备良好的数值优化能力，但存在收敛速度慢且易陷入局部最优的问题，主要因探索与开发失衡、协同搜索能力不足及群体多样性缺乏所致。为解决这些不足，本文提出了一种基于多策略增强蜣螂优化算法（MDBO），MDBO算法通过自适应调节和精英信息共享，构建搜索-增强-逃逸的协同优化框架，融合双重自适应搜索策略、精英增强解质量机制和动态反向学习，有效提升了群体多样性、协同搜索能力及跳出局部最优的能力，从而实现更高效的全局优化搜索。

小O的算法实验室

2025年OE SCI2区TOP，进化麻雀搜索算法ESSA+海洋阻尼器迟滞建模与辨识，深度解析+性能实测海洋阻尼器的机械性能通常具有高度非线性，以适应动态和冲击环境。阻尼器经过动态和冲击测试，发现其滞回曲线具有速率依赖性且呈非对称性。为了能够描述动态滞回和冲击滞回，基于广义Prandtl-Ishlinskii（GPI）模型提出了一种速率依赖广义Prandtl-Ishlinskii（RDGPI）模型，该模型是GPI模型与径向基函数（RBF）神经网络的混合体。由于模型参数众多，为了提升参数识别效果，本文提出了一种进化麻雀搜索算法（ESSA），其显著提升了参数识别的效率和准确性。

小O的算法实验室

2025年ESWA SCI1区TOP，离散人工蜂群算法+多农场多除草机器人任务分配，深度解析+性能实测随着智慧农业的不断推进，农业机器人在提升生产力和降低成本方面的潜力日益凸显。本文研究了多农场多除草机器人任务分配问题（MFMWRTA），其目标是最小化最大完成时间。为了解决该问题，本文提出了一种基于改进型离散人工蜂群算法（DABC）的多农场离散人工蜂群算法（MFDABC）。MFDABC算法首先通过提出的基于多农场NEH（MFNEH）启发式方法和基于迭代贪婪（IG）启发式方法生成高质量的初始解，并为每个农场分配适量的除草机器人。在雇佣蜂阶段和侦查蜂阶段，研究中设计了五种局部搜索算子，以提升算法的局部搜索能力

小O的算法实验室

2019年SEVC SCI1区TOP：维度学习粒子群算法TSLPSO，深度解析+性能实测传统粒子群算法（PSO）通过粒子根据个体最佳经验和种群最佳经验更新速度和位置，虽然这种学习机制简单易行，但容易产生振荡等问题。因此设计一种有效的学习策略，以克服这些问题并提高搜索效率，成为PSO研究中的重要课题。本文提出了一种基于粒子个人最佳经验维度学习策略（DLS），其用来发现并整合种群最佳解中的有前景信息。基于BLS，本文提出了双群学习粒子群算法（TSLPSO），该算法采用不同的学习策略：一个子群通过DLS构建学习示例来引导粒子的局部搜索，另一个子群则通过综合学习策略来引导全局搜索。

小O的算法实验室

2024年ESWA SCI1区TOP：量子计算蜣螂算法QHDBO，深度解析+性能实测蜣螂优化算法是一种群体智能优化算法，具有较强的优化能力和快速收敛性，但容易在优化过程后期陷入局部最优解。本文提出了一种量子计算和多策略混合的蜣螂优化算法（QHDBO），QHDBO通过佳点集初始化种群，动态平衡机制，量子t分布变异策略增强DBO算法，可以避免算法陷入局部最优解。

小O的算法实验室

2023年CCF-C NCA：自适应麻雀搜索算法MASSA，深度解析+性能实测麻雀搜索算法（SSA）是一种受麻雀觅食策略启发的元启发式算法，尽管SSA性能竞争力强，但仍存在开发与探索不平衡，容易陷入局部最优的问题。本文提出改进自适应麻雀搜索算法（MASSA），其通过引入混沌反向学习技术增加种群多样性，并通过动态自适应权重来平衡算法的开发与探索能力。此外，自适应螺旋搜索策略进一步提升了MASSA的性能。

小O的算法实验室

【论文复现】基于维度狩猎学习的改进秃鹰搜索算法用于自动驾驶问题由于道路曲率穿透和参数不确定性带来的侧向偏差，自动驾驶车辆控制器面临提供准确、快速响应及小幅超调等性能挑战。本文提出了一种基于维度狩猎学习（DLH）机制改进秃鹰搜索算法（IBES）。此外，通过基于Hermite-Biehler定理的频率域界限，优化模型预测控制（MPC）的调整，以适应AV速度和道路曲率的变化。