智能算法改进

小O的算法实验室

2026年SEVC SCI2区，面向城市 V2X 网络的RSU部署与UAV调度风险感知层级多目标规划，深度解析+性能实测基于城市V2X网络中RSU部署和UAV调度的联合优化问题，本文提出了一种分层多目标规划框架，其考虑了显著的时空需求变化和操作不确定性，通过上层搜索非支配的基础设施配置，平衡总成本、时空覆盖和鲁棒性；下层通过状态感知的贪心调度策略评估每个配置，明确建模UAV的操作模式和电池/充电动态。鲁棒性通过冗余、覆盖变化和任务平衡的加权组合优化，并通过情景条件风险值（CVaR）评估需求扰动和组件故障下的尾部风险。

小O的算法实验室

2026年IEEE TNSE SCI2区，基于预测的双阶段分布式任务分配方法+搜救场景中最大化任务分配，深度解析+性能实测本文提出一种基于预测的双阶段分布式任务分配方法（PDTA），用于多机器人系统在搜索与救援（SAR）场景中的任务分配。该方法首先通过性能影响算法生成初始任务分配，并利用任务竞标预测机制减少无效竞标、提高收敛速度，同时在成本函数中考虑任务截止时间和燃料限制，通过局部搜索机制优化分配结果，提高任务完成质量和数量。

小O的算法实验室

2026年IEEE TCYB SCI1区TOP，电动采摘机器人多目标任务分配：一种分层路径重构方法，深度解析+性能实测随着农业劳动力成本上升，多机器人系统被广泛应用于果园采摘，但在任务完成时间与能耗之间进行高效协调仍然具有挑战性，尤其是在负载影响速度变化和电池限制等现实约束下。为此，本文提出了农业多电动机器人多目标任务分配问题（AMERTA），并设计了一种混合分层路径重构算法（HRRA），包含分层编码、双阶段初始化、任务序列优化和路径重构算子等机制。

小O的算法实验室

2026年EAAI SCI1区TOP，基于LLM驱动的多群粒子群算法动态通信策略生成方法，深度解析+性能实测针对传统多群粒子群算法（MSO）依赖预定义通信策略、难以适应不同优化阶段和问题特性的不足，本文提出一种由大型语言模型（LLM）驱动的动态通信策略生成框架 L2D-MSO，该方法通过构建包含群体状态信息的自然语言提示，利用大语言模型进行实时推理，动态生成群体间通信策略，从而提升信息交互效率并加速收敛。同时引入自适应温度机制，根据优化进程调节扰动强度，以增强策略在不同阶段的适应性。

小O的算法实验室

2025年IEEE TSMCS SCI1区TOP，面向异构多点动态聚合的多阶段粒子群算法，深度解析+性能实测本文研究异构多点动态聚合（MPDA）多机器人任务分配问题，针对现有方法多假设机器人和任务同构的不足，提出一种考虑不同类型机器人及任务依赖关系的异构MPDA模型，并设计多阶段粒子群算法通过多阶段策略缩小搜索空间，并结合连续速度更新与离散位置更新的混合机制优化任务分配。实验结果表明，该方法在效率和性能上优于现有先进方法。

小O的算法实验室

2024年IEEE TII SCI1区TOP，面向动态多目标多AUV路径规划的协同进化计算算法，深度解析+性能实测针对多AUV在大规模复杂海底环境中执行多目标任务时面临的路径规划难题，本文突破传统单目标静态建模方式，将问题建模为动态多目标优化问题，并提出一种协同进化计算算法。该方法采用双层编码结构表示投放位置与任务访问顺序，结合多目标多种群框架、基于重组的采样策略以及环境变化下的增量响应机制，以提升解的多样性与收敛性能。基于新西兰海底地形数据构建的大规模复杂场景实验表明，该方法在解的多样性和最优性方面优于现有先进算法。

小O的算法实验室

2026年IEEE TAI，基于代理辅助双层优化的多次访问协同卡车-无人机路径规划，深度解析+性能实测针对带无人机的多次访问旅行商问题，本文构建了卡车与无人机协同关系的双层优化模型（Bi-MTSPD），在上层优化卡车路径与客户分配，在下层优化对应的无人机路径。为高效求解该模型，本文提出了一种代理辅助的双层优化算法，通过基于K近邻的代理模型引导上层搜索，将计算资源集中于潜在优质解区域，并在下层采用定制化模因算法优化无人机路径。

小O的算法实验室

2026年IEEE TCYB SCI1区TOP，少即是多：一种用于大规模优化的小规模学习粒子群算法，深度解析+性能实测针对大规模优化问题中大种群消耗过多适应度评估次数、导致进化不足的问题，本文提出了一种小规模学习粒子群算法（SSLPSO）。该方法每代仅更新最多两个代表性个体，以节省计算资源并延长有效进化过程，从而提升解的精度；同时结合代表个体选择机制、差异化学习策略以及基于进化状态的自适应调整机制，实现收敛性与多样性的动态平衡。

小O的算法实验室

2026年IEEE RAL SCI2区，基于熵的多无人机持续监测增量覆盖路径规划，深度解析+性能实测针对海上油污持续变化与分散分布带来的持续监测难题，本文提出了一种基于熵的增量覆盖路径规划方法（EICPP），通过相邻监测周期的轮廓对比，引入增量覆盖机制，重点关注新出现的油污区域；随后结合均衡区域划分算法，在处理分散油污区域的同时，实现多无人机负载均衡；最后基于熵进行路径规划，在无人机资源受限条件下优先监测高熵区域，从而提升漂移信息新鲜度（DIF）。

小O的算法实验室

2025年AEI SCI1区TOP，面向城市区域监视的任务驱动多无人机路径规划三阶段优化策略，深度解析+性能实测随着低空经济的发展，无人机在巡检、监视和搜救等领域得到广泛应用，多无人机协同执行监视任务的路径规划虽已有多种方法，但在复杂城市环境中常忽略通信受限、建筑遮挡和设备稳定性等不确定因素，导致任务失败。为提升局部通信网络下多无人机协同监视能力，本文将路径规划建模为包含多目标与多约束的NP-hard混合线性规划问题，并提出一种三阶段优化策略（TRUST），包括任务分组自适应、任务顺序优化和编队路径规划，该方法综合考虑区域覆盖率、能耗与任务风险，实现最优飞行路径规划。

小O的算法实验室

2026年SEVC SCI2区，面向无人机路径规划的领域专用算子进化算法，深度解析+性能实测针对多目标无人机路径规划中目标冲突、动态环境和复杂约束导致传统进化算法难以生成可行高效路径的问题，本文提出了一种嵌入领域知识的进化算法。通过引入基于 A* 的定向交叉算子生成可行子路径，结合自适应多项式变异机制平衡探索与开发，并利用 A* 进行局部路径精细化优化，显著提升了解的可行性与质量。

小O的算法实验室

2026年IEEE IOTJ SCI2区TOP，面向关键节点感知的灾害区域无人机集群路径规划，深度解析+性能实测针对灾害场景下无人机辅助应急通信网络中的关键节点（CNs）覆盖问题，本文提出了一种距离优化的关键节点感知（CNA）轨迹规划方法。为提高数据采集的时效性，采用信息时效（AoI）作为性能指标；结合Voronoi图分区与K-means聚类实现节点分布感知的空间划分，确保无人机集群的无碰撞路径规划。通过标量化方法优化轨迹，在最大化关键节点覆盖率的同时最小化AoI、飞行距离和总飞行时间。

小O的算法实验室

2026年RESS SCI1区TOP，复杂海上救援环境下无人机集群双阶段协同路径规划与任务分配，深度解析+性能实测针对复杂海上救援环境中多无人机协同在非线性约束和任务不确定失效下的局限性，本文提出一种双阶段协同优化框架。第一阶段采用改进梦境优化算法（IDOA），通过引入差分进化扰动和局部记忆机制，提高复杂风场与地形环境下路径规划的全局搜索能力与鲁棒性；第二阶段构建自适应容错协同多任务分配模型（AFT-CMTAP），并设计离散梦境优化算法（DIDOA）求解组合分配问题，该框架支持基于实时风险评估的在线重规划与资源自适应调度，在故障条件下保障任务连续性与系统可靠性。

小O的算法实验室

2026年IEEE TASE SCI2区，基于熵引导局部规划的多无人机自适应协同探索方法，深度解析+性能实测针对现有方法在大规模复杂场景中存在的任务分配不均、探索效率低和路径不稳定等问题，本文提出了一种面向未知环境的多无人机自适应协同探索方法，其融合了动态区域分配、基于熵的信息引导局部规划以及方向一致性前沿点选择三大机制，实现高效协同探索。该方法根据任务进度与环境复杂度自适应划分探索区域，优先探索高信息价值区域，并通过方向约束提升路径连续性、减少冗余转向。同时结合障碍感知可达性分析，避免低收益或复杂区域。

小O的算法实验室

2026年CIE SCI2区TOP，用于地质灾害监测的配备自主对接站的无人机多航次路径规划，深度解析+性能实测针对地质灾害监测中无人机续航受限的问题，本文提出一种多航次路径规划模型。考虑不同灾害点的紧急程度，并设定收益随航次数增加而递减，在保证每个灾害点仅访问一次的前提下，最大化总收益并最小化航次数量，该问题为 NP-难问题，文中提出基于禁忌搜索的元启发式算法，并通过实际案例验证了模型与算法的有效性。

小O的算法实验室

2025年JIM SCI2区，基于Q学习多目标粒子群算法+节能型分布式流水车间调度，深度解析+性能实测随着生态问题日益严峻，可持续发展与绿色制造成为研究热点。针对分布式流水车间调度问题（DFSP）包含工厂分配和工厂内排序两个高度耦合子问题的NP-hard问题，本文提出了一种基于Q学习多目标粒子群算法（QL-MoPSO），以最小化完工期和总能耗为目标，该方法通过将粒子划分为三个子群，加快在帕累托前沿不同区域的收敛；利用Q学习引导变邻域搜索（VNS）进行局部搜索，以平衡全局探索与局部开发；并采用交换序列更新作业排序向量、交叉与变异更新工厂分配向量，从而提升算法针对DFSP的适应性与效率。实验结果表明，该算法在

小O的算法实验室

2026年FGCS SCI2区，基于量子启发粒子群算法的低成本量子云任务卸载策略，深度解析+性能实测量子云计算（QCC）使应用用户能够高效处理计算密集、资源需求高的复杂问题，本文研究量子云环境下的量子任务卸载（QTO），在综合考虑能耗、时延、服务成本和负载均衡的基础上，引入任务紧急性，构建了带预算与截止期限约束的量子任务卸载问题（QTOP），并证明其为 NP 完全问题。为此，本文提出了一种量子启发粒子群算法（QPSO），设计了新的量子粒子编码与线性哈希解码机制以生成可行卸载方案，并通过引入惩罚变量的适应度函数有效排除不可行解。

小O的算法实验室

2025年COR SCI2区，考虑风场影响的无人机搜救覆盖路径规划精确界算法，深度解析+性能实测无人机在搜救任务中被广泛应用，可通过协同编队快速覆盖大范围区域，提高搜救效率。针对有风条件下多无人机对矩形区域进行快速覆盖的问题，本文将搜索区域离散为网格，并构建混合整数规划模型。通过推导目标函数的精确下界，本文提出了一种高效算法，能够获得最优解或与最优解具有常数绝对差距的近最优解。随着问题规模增大，该方法的相对最优性差距持续减小，且计算成本远低于直接求解混合整数规划。数值实验表明，该算法在多达 10,000 个网格单元的场景下仍具有极高的计算效率。

小O的算法实验室

2025年SEVC SCI2区，结合低差异序列和共轭梯度法的新型异构综合学习粒子群算法，深度解析+性能实测—本文提出了一种新型异质综合学习粒子群算法（HCLPSO），其结合低差异序列（LDS）和共轭梯度法（CG）以提升优化性能。本文提出了两种HCLPSO变种：HCLPSO-DC和HCLPSO-OC，分别通过动态进化序列和优化Halton序列生成LDS。每个变种都采用两种新颖的速度更新策略（VUS）：基于LDS的VUS（LDS-VUS）和基于复合共轭梯度的VUS（CCG-VUS），并结合自适应切换策略，以决定使用哪种VUS来进行种群搜索。LDS-VUS通过增强搜索空间覆盖能力提高整体搜索能力，而CCG-VUS则

小O的算法实验室

2024年ESWA SCI1区TOP，带有机器人站点的无人机辅助车辆路径规划问题，深度解析+性能实测本文提出了带有机器人站点的无人机辅助车辆路径规划问题（VRPD-RS），并将其建模为混合整数线性规划（MILP）问题，分析了卡车、无人机和机器人对配送车队的影响。针对该问题，本文提出了广义变邻域搜索算法（GVNS），并与模拟退火算法（SA）进行了对比。结果表明，GVNS在小规模实例中与求解器最优解接近，在大规模实例中提升了21.5%的最小完成时间和8.0%的运营成本，且在计算效率上优于SA。