智能算法改进

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。

小O的算法实验室

2026年SEVC，增强自适应大邻域搜索算法求解带有禁飞区及异构无人机的电动汽车路径规划问题，深度解析+性能实测针对无人机载重规格固定及受政策禁飞限制问题，本文构建了协同异构无人机与电动车路径规划模型，该模型引入了续航、载重及速度各异多型无人机，并针对禁飞区约束设计了绕路避让策略，使配送方案更贴近实际场景。为提升求解效率，算法采用了一种三层编码结构增强自适应大邻域搜索算法，通过最长绕路移除算子与禁飞区禁忌策略，有效解决了算法易陷入局部最优的问题，增强了全局搜索能力。

小O的算法实验室

2022年IEEE TITS，基于 VRP 优化模型的城市轨道交通智能物流车辆配送路径优化，深度解析+性能实测为了提升智能物流系统的运行效率，针对城市轨道交通配送体系开展了物流车辆路径优化研究。在分析多配送中心车辆路径问题（VRP）基础上，结合抗体浓度概念，整合浓度免疫算法（C-IA）与粒子群算法（PSO）的优势，本文提出了一种浓度免疫粒子群算法（C-IAPSO），该算法通过计算粒子浓度选择概率，并采用最优粒子保留策略更新免疫记忆库，确保了种群的多样性。

小O的算法实验室

2025年EAAI，累积二项分布概率人工蜂群算法+机械工程设计全局优化，深度解析+性能实测为了解决人工蜂群算法（ABC）在处理非凸、多模态问题时收敛慢、搜索失衡的问题，本文提出了集成累积二项分布概率人工蜂群算法（CBABC），涵盖单维（CBABC_S）和多维（CBABC_M）两种进化模式，该算法利用进化过程中的胜败经验，引入基于累积二项概率的缩放因子，并在观察蜂阶段通过差异化的搜索方程来调和全局与局部搜索的关系；在侦查蜂阶段加入全新的弃解更新机制，进一步夯实了计算精度。

小O的算法实验室

2026年ASOC，学习驱动人工蜂群算法+移动机器人多目标路径规划，深度解析+性能实测针对移动机器人兼顾路径长度、安全性与平滑度多目标规划需求，本文提出一种学习驱动人工蜂群算法（LBABC），其利用竞争策略初始化多样化种群，融合定制的差分进化算子以强化全局搜索，同时引入基于Q学习算子选择机制提升局部开采精度。多场景对比实验与消融分析证实，LBABC在HV和反世代距离IGD等指标上较现有主流算法实现了显著突破，展现出处理复杂多目标路径规划问题的优异性能。

小O的算法实验室

2026年IEEE TASE，面对突发危险区域的基于强化学习的多无人机路径规划，深度解析+性能实测针对多无人机在面临突发危险区域时路径规划的安全性和不确定性挑战，本文提出了一种基于多智能体强化学习（MARL）解决方案，该方案通过引入控制障碍函数保障了系统在突发变道时的快速响应与安全重规划，并结合概率神经网络量化危险的不确定性，提升了对突发威胁的预判能力，从而弥补纯反应式安全的效率短板。同时，该模型利用基于距离加权的平均场机制整合邻近无人机的观测信息，充分发挥集群智能以实现协同避让。

小O的算法实验室

2026年ASOC，基于深度强化学习的无人机三维复杂环境分层自适应导航规划方法，深度解析+性能实测针对UAV自主导航中反应式方法缺乏远见及传统规划方法动作空间维度过高的局限，本文提出了一种基于深度强化学习的分层自适应导航规划方法（HAP），其利用3D贝塞尔控制点简化路径规划的动作空间，并结合分布软角色-评论家（DSAC）算法与针对性的稠密奖励函数，使无人机在无需地图且传感器精度要求较低的情况下，实现了兼顾长远视觉与实时避障的自适应重规划能力。

小O的算法实验室

2025年SEVC，考虑组件共享的装配混合流水车间批量流调度的多策略自适应差分进化算法，深度解析+性能实测针对考虑组件共享的装配混合流水车间批量流调度问题，本文建立了一个最小化最大完工时间和在制品库存的混合整数线性规划模型，并提出了一种多策略自适应差分进化算法（MSDE）进行高效求解，该算法通过融合三种面向特定问题的初始化策略提升了初始种群的质量与多样性，利用基于Q-learning的机制自适应选择交叉与变异算子以平衡全局探索与局部开发，并附加了专门的库存缩减策略，以在不延长总工期的前提下大幅减少在制品数量。

小O的算法实验室

2026年SEVC，面向主动成像卫星任务规划问题的群体智能与动态规划混合框架，深度解析+性能实测卫星任务规划问题（SMPP）是典型的 NP-hard 组合优化问题，针对全敏捷对地观测卫星主动成像任务中任务选择、可变观测时长和累积时变成像质量需协同优化的难点，本文提出了融合动态规划与五种元启发式算法的混合框架 DPA-MHA。其中，第一阶段利用动态规划精确生成可行观测路径，第二阶段借助针对性设计的元启发式算子优化观测开始时间与持续时长。

小O的算法实验室

2026年SEVC，高密度仓库中结合任务分配的多AGV无冲突调度框架，深度解析+性能实测—随着智能仓库规模扩大，AGV 的大规模协同面临碰撞多、易拥堵及路径规划计算量爆炸等挑战，针对高密度环境，本文提出了一种集成任务分配的优先级驱动多 AGV 无冲突调度框架，将任务分配建模为考虑车辆负载与任务类型的多旅行商问题（MTSP），并利用GA求得近似最优解。算法通过引入高速公路机制、方向约束、转向惩罚及热力图启发的改进 A* 算法，在提升路径质量的同时缓解交通拥堵，再通过层次化优先级策略动态消除车辆间冲突。

小O的算法实验室

2026年IEEE TEVC，面向农业多机器人任务分配的自适应多目标任务划分算法，深度解析+性能实测针对智慧农业果园采收中的多机器人任务分配问题，本文研究了在工期与能耗两个目标下的协同优化，并综合考虑了任务可拆分、机器人多路径重复利用以及负载相关能耗等实际因素。为解决任务拆分导致决策空间急剧扩大的难题，本文提出了一种自适应多目标任务拆分算法（AMTSA），其采用混合编码表示任务分配信息，并在搜索过程中动态调整策略：前期侧重路径结构的全局探索，后期聚焦任务拆分优化以加快收敛。

小O的算法实验室

2026年SEVC，直觉模糊不确定环境下求解绿色多物品固定费用五维运输问题的多目标进化算法，深度解析+性能实测针对全球交通可持续发展的紧迫需求，本文构建了一个在不确定环境下支持绿色物流规划的决策模型。核心贡献在于提出了一个三阶段、五维、多目标且包含固定费用的多物品运输模型，并首次将驾驶员行为纳入碳排放计算，揭示了人为因素对环境影响的关键性。为了贴近现实，模型采用梯形直觉模糊数来刻画波动的运输参数。针对高维度和目标冲突带来的求解难题，研究对比了 NSGA-II 和 NSGA-III 算法，并通过开发专门的可行种群生成技术与变异算子提升了算法性能。