智能算法改进

小O的算法实验室

2024年ESWA SCI1区TOP，异构无人机配送问题的集成多目标优化方法，深度解析+性能实测针对异构无人机末端配送路径优化问题，本文提出了一种基于投票机制的集成多目标遗传算法。通过改进聚类方法将客户划分为子区域，降低问题规模，并结合定制化遗传算子与投票式集成策略，提高解的收敛性与多样性。实验结果表明，该方法在合成与实际算例中均优于对比算法，验证了其在无人机末端配送中的有效性与实用价值。

小O的算法实验室

2026年AIR SCI1区TOP，基于三维 Rényi 熵模型的多特征融合与量子混合算法+阿尔茨海默病脑图像分割，深度解析+性能实测阿尔茨海默病（AD）的早期诊断高度依赖于脑病理图像的精确分割，但传统多阈值图像分割方法在噪声抑制和空间结构信息利用方面存在不足，难以应对 AD 图像中复杂纹理与高信息密度的问题。为此，本文提出了一种融合灰度强度、非局部均值和局部熵的三维 Rényi 熵模型，通过联合直方图同时表征灰度、空间与纹理特征，从而更全面地刻画图像不确定性。针对高维阈值优化难题，本文设计了一种量子混合电鳗觅食优化算法（QHEEFO），引入量子隧穿策略、量子控制因子和对数增强扰动机制，以提升全局搜索能力并避免早熟收敛。

小O的算法实验室

2024年CIE SCI2区TOP，基于NSGA-II与混合染色体的冷藏新鲜产品配送三维多目标多物品生态路径规划问题，深度解析+性能实测针对发展中国家冷藏食品运输损耗严重与冷链碳排放矛盾的问题，本文提出三维多目标多物品生态路径规划模型，旨在同时优化配送路径、车辆速度与保鲜率，以最大化利润并最小化碳排放。本文提出改进NSGA-II算法（NSGA-IIwDOs），采用混合染色体编码，结合问题特定的交叉与变异算子。通过在标准问题上测试验证算法性能，分析了有无时间窗、路况车速约束等多种情景，给出了帕累托前沿与管理启示。

小O的算法实验室

2024年CIE SCI2区TOP，面向多目标学习：结合Q学习增强混合元启发式算法+并行无人机调度旅行商问题，深度解析+性能实测近年来，人工智能与传统运筹优化方法的结合已成为组合优化领域的重要研究方向，已有大量工作利用机器学习提升元启发式算法性能。本文提出一种面向多目标学习的混合启发式算法QSISRs，将强化学习中的Q-learning融入基于破坏-重建的元启发式框架中。本文聚焦于并行无人机调度旅行商问题（PDSTSP），该问题源于无人机参与城市末端配送的趋势，其中部分客户可由无人机从仓库直接独立服务，无需与卡车同步。

小O的算法实验室

2023年ESWA SCI1区TOP，地面车辆与无人机协同系统的多区域覆盖双层路径规划，深度解析+性能实测本文提出了一种面向地面车辆（GV）与无人机协同系统的双层路径规划方法，用于高效完成多区域覆盖任务。地面车辆作为无人机的移动平台，负责在各目标区域之间行驶并为无人机充电；无人机则在目标区域周边起飞，对区域进行扫描覆盖。研究以同时优化无人机的区域扫描路径与地面车辆的访问路径为目标，构建了一个 0–1 整数规划模型。在求解方法上，先通过基于成本节约的两阶段启发式算法快速生成可行解，再利用自适应大邻域搜索算法（ALNS）提升解的质量。

小O的算法实验室

2024年ASOC SCI2区TOP，异构 pbest 引导的综合学习粒子群算法，深度解析+性能实测针对PSO算法中探索—开发平衡难以有效解决的问题，本文提出一种综合学习策略——异构 pbest 引导的综合学习粒子群算法（HPBPSO）。该算法将种群划分为探索子群与开发子群：探索子群引入pbest引导机制，并通过动态交叉使非精英个体向精英pbest学习；开发子群采用精英学习与组内学习两类机制，并加入组间扰动以加速收敛。

小O的算法实验室

2023年CIE SCI2区TOP，ACO+PSO+A*：一种用于 AUV 多任务路径规划的双层混合算法，深度解析+性能实测面向AUV在三维复杂海洋环境中的多任务路径规划问题，本文构建以最短路径与最小危险距离为目标的双层多目标模型，并提出ACO+PSO+A *双层混合算法：外层ACO优化任务访问顺序，内层PSO生成航路点并结合A *规划无碰撞路径，通过反馈机制迭代更新信息素以提升解的质量。

小O的算法实验室

2026年AEI SCI1区TOP，基于改进 IRRT*-D* 算法的森林火灾救援场景下直升机轨迹规划，深度解析+性能实测直升机因机动性强、响应快、受地形限制少，广泛用于森林火灾救援。但火场环境动态多变，预规划航线可能使直升机误入高温浓烟等高风险区域，威胁飞行安全。为此，本文构建面向森林火灾的多威胁环境模型，并结合救援直升机性能差异，提出考虑机型异构性与环境动态性的改进 IRRT*-D* 轨迹规划算法，该算法融合 Informed-RRT* 的快速搜索能力与 D* Lite 的路径优化优势，可在动态火场中实时生成安全高效的飞行路径。

小O的算法实验室

2024年ESWA SCI1区TOP，基于遗传算法的多无人机同时到达和资源约束的协同任务分配，深度解析+性能实测面向多无人机协同攻击多目标任务，本文提出一种用于任务分配—路径规划一体化求解的改进遗传算法。针对更真实的任务需求，模型纳入资源约束与多目标同步到达等条件，并通过定制交叉与变异算子确保解始终满足约束。同时引入解锁机制，避免无人机陷入无限等待导致的染色体死锁。仿真与蒙特卡洛结果表明，该方法能够稳定产生可行且高质量的协同方案，整体性能优于传统方法。

小O的算法实验室

2022年BE SCI2区TOP，多无人机系统作物保护中的最优喷洒任务分配问题，深度解析+性能实测本文研究多无人机协同农药喷洒中的最优任务分配问题（OSTAP），针对多无人机作业中存在的机型差异、田块边界不规则、喷雾漂移和操作水平差异等因素，本文建立了异构多无人机植保系统数学模型，并提出OSTAP。为求解该问题，研究将其转化为等价的组合优化问题，提出顺序无关枚举算法（OIES），在时间与空间复杂度上更高效，并与ETA、STA、DPSO及全排列算法进行对比。

小O的算法实验室

2023年ASOC SCI2区TOP，通信不稳定的多无人机分布式协同搜索方法，深度解析+性能实测在多无人机执行的搜索打击与搜索救援任务中，协同搜索发挥着重要作用。目前大多数方法都假设无人机集群的通信网络是完全连通的。然而，这些通信链路容易受到环境变化或对手干扰的影响。针对搜索打击与搜索救援任务中的协同搜索问题，本文提出了一种面向通信不稳定的多无人机分布式协同搜索方法（DCS-UC），该方法基于蚁群算法（ACO）开发。所提出的方法包含三种算法，使无人机集群能够高效且安全地进行在线协同搜索。

小O的算法实验室

2024年ESWA SCI1区TOP，基于自适应模糊惩罚的多约束无人机路径规划状态转移算法，深度解析+性能实测针对无人机在复杂应用场景中对节能、安全、平滑飞行路径的需求，本文提出了一种新的路径规划方法。研究将多障碍环境下的路径规划建模为连续约束优化问题：目标函数综合考虑路径长度、飞行高度变化与平滑性，约束包括避障、高度限制及无人机机动性。为求解该问题，本文提出自适应模糊惩罚状态转移算法（AFSTA），通过引入融合专家知识的自适应模糊惩罚函数，将适应度与约束违背程度映射为惩罚因子，并以状态转移算法同时执行全局与局部搜索。

小O的算法实验室

2023年EAAI SCI1区TOP，使用无人机实现的可持续最后一公里包裹配送与退货服务，深度解析+性能实测本文提出了一种将配送与退货同时纳入卡车–无人机协同作业的最后一公里物流模型（FSTSP-DR-MP）。该模型允许无人机多载荷、一次出动服务多个客户，提高无人机利用率与可持续性。通过MILP建模与VNS算法求解，结果表明该方法相比传统单卡车及经典卡车–无人机配送模式，显著降低总服务时间与卡车行驶时间，并优于多无人机单载荷方案，填补了末端物流中退货整合研究的空白。

小O的算法实验室

2024年IEEE TITS SCI2区TOP，考虑无人机能耗与时间窗的卡车–无人机协同路径规划，深度解析+性能实测在考虑客户时间窗的条件下，本文研究多卡车–多次访问无人机协同配送问题，综合建模无人机能耗及载重变化对能耗率的影响。通过MILP模型刻画问题，引入Segment概念强化卡车与无人机协同，并设计同步构建卡车与无人机路径的启发式算法，结合变邻域搜索与模拟退火提升解的质量，最终通过Solomon算例与实际案例验证算法有效性。

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。