智能算法改进

小O的算法实验室

2025年IJPR SCI2区，按需异构无人机配送问题，深度解析+性能实测在按需配送场景中，实际需求常常偏离预期。本文研究了一种按需异构多无人机路径规划问题（ODHDRP）：运输无人机在第一阶段将多架末端无人机投送至各子区域，末端无人机在第二阶段完成对子区域内客户的包裹配送，以实现规模经济。文章采用正态分布刻画客户需求，并构建了带机会约束的需求可靠性模型。为高效求解该问题，提出了一种混合迭代优化启发式方法（HIOH）：首先，基于无人机载重设计聚类算法划分子区域，并利用动态规划生成初始路径；随后，通过结合启发式算子与可靠性策略的迭代优化算法，在满足机会约束的同时持续改进路径方案。

小O的算法实验室

2023年IEEE TITS SCI2区TOP，增强遗传算法+分布式随机多无人机协同区域搜索路径规划，深度解析+性能实测针对多无人机协同区域搜索中因协作不足导致的搜索效率低下问题，本文提出了一种基于分布式模型预测控制的实时路径规划算法。算法在有限时域内构建整体搜索目标函数，综合考虑重复搜索抑制、无人机间连通性维护以及碰撞规避等因素，并将其分解为分布式约束优化问题，使各无人机通过与邻近无人机的信息交互实现对全局搜索目标的协同优化。为克服现有算法易陷入局部最优的缺陷，本文设计了一种基于增强遗传算法的分布式随机算法，引入点交叉算子和任意时局部搜索机制以提升解的质量与稳定性。

小O的算法实验室

2025年VC SCI2区，兼顾能效与飞行安全的无人机智能物流轨迹规划，深度解析+性能实测针对多物流点无人机配送中轨迹规划可建模为TSP问题、避障转向导致能耗显著增加以及复杂环境下飞行安全难以保障的问题，本文提出了一种融合蚁群算法（ACO）与引入势函数的深度Q网络（DQN）的无人机物流轨迹规划策略——ACO-DQN-TP。该方法包含路径规划与轨迹规划两个阶段：路径规划阶段通过引导层蚁群算法（GuLACO）重开禁忌表，避免多目标环境中的死锁问题并获得粗粒度引导路径；轨迹规划阶段采用基于人工势场的DQN（DQNPF），增强无人机与环境的交互能力，实现三维空间下的精细避障。

小O的算法实验室

2023年JMS SCI1区TOP，改进关键路径搜索遗传算法+AGV运输任务的集成工艺规划与调度，深度解析+性能实测本文研究了考虑自动导引车（AGV）运输任务的集成工艺规划与调度问题（IPPS_T），在传统 IPPS 的基础上，IPPS_T 进一步将 AGV 运输任务分配纳入决策范围，使问题复杂度显著提升。为此，本文提出了一种集成编码方法，可在单一个体中同时表示工艺路线、车间调度方案和 AGV 任务分配。并设计了一种结合关键路径邻域搜索策略改进遗传算法（IGA），增强对机器与 AGV 的局部搜索能力。

小O的算法实验室

2018年AST SCI1区TOP，基于遗传算法的异构无人机随机速度和时间窗协同多任务分配问题，深度解析+性能实测本文研究了一种具有随机速度和时间窗的异构无人机协同多任务分配组合优化问题，并将其建模为两阶段随机规划模型。为贴近实际作战任务场景，模型综合考虑了运动学约束、资源约束（机载武器与燃料）以及时间约束（任务执行顺序与时间窗）。针对该问题计算复杂度高、求解困难的特点，本文提出了一种基于改进遗传算法以提高解的搜索质量与收敛效率。在获得可行任务分配方案后，通过路径协调过程生成满足任务优先级和时间约束的实际飞行路径。

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。

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