✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
无人机三维路径规划是实现其自主飞行的核心技术，直接决定任务执行的安全性、效率与可靠性，在电力巡检、物流配送、应急救援等复杂场景中具有关键作用。针对传统路径规划算法（如A*、粒子群优化）在三维复杂环境中易陷入局部最优、计算效率低、动态环境适应性差等问题，本文提出一种基于部落竞争与成员合作算法（CTCM）的无人机三维路径规划方法。通过模拟自然界中部落间的优胜劣汰竞争机制与部落内成员的协同协作机制，平衡算法的全局探索能力与局部开发能力，实现多约束条件下的最优路径搜索。首先，构建无人机三维飞行环境模型，明确路径规划的多目标优化需求与动力学约束；其次，引入CTCM算法，定义部落与成员的映射关系，设计融合路径长度、避障安全、飞行平滑性与能耗的多目标适应度函数；随后，通过部落竞争淘汰低质量路径方案，借助成员合作优化路径细节，结合路径平滑处理算法提升路径可行性；最后，通过Matlab仿真实验，在含静态与动态障碍物的三维场景中，将所提方法与A*算法、RRT算法、传统PSO算法进行对比验证。实验结果表明，基于CTCM算法的路径规划方法碰撞率为0%，较PSO算法能耗降低12%，动态重规划耗时仅2.3秒，在路径安全性、优化效果、收敛速度及动态适应性上均优于传统算法，能够有效满足复杂三维环境下无人机自主飞行的路径规划需求。关键词：无人机；三维路径规划；部落竞争与成员合作算法（CTCM）；多目标优化；避障；动态环境适应
1 引言
1.1 研究背景与意义
随着无人机技术的飞速发展，其凭借体积小、机动性强、成本低、无需人员驾驶等优势，已广泛渗透到电力巡检、物流配送、应急救援、航拍测绘、军事侦察等多个领域[2]。在实际应用中，无人机往往需要在复杂三维环境中执行任务，此类环境包含建筑物、山地、电线杆等静态障碍物，以及移动车辆、其他无人机等动态障碍物，同时需满足自身动力学约束与任务需求约束，因此，高效、可靠的三维路径规划技术成为无人机自主飞行的核心支撑[3]。
无人机三维路径规划的核心目标是，在给定的三维空间环境中，寻找一条从起点到终点的路径，该路径需同时满足避障安全、路径最短、能耗最低、飞行平滑等多目标优化要求，且符合无人机的物理飞行约束（如最大转向角、爬升角、最小转弯半径等）[1]。传统路径规划算法在应对此类复杂需求时存在明显局限：A*算法在三维空间中需进行体素化离散处理，计算量呈指数级增长，难以满足实时规划需求；粒子群优化（PSO）算法易陷入局部最优解，在高密度障碍物环境中路径搜索性能不佳；人工势场法（APF）则易因动态障碍物出现导致路径失效，鲁棒性不足[2]。
部落竞争与成员合作算法（CTCM）是一种受自然界部落生态启发的元启发式优化算法，通过模拟部落间的优胜劣汰竞争与部落内成员的协同协作行为，能够有效平衡全局探索与局部开发能力，具备收敛速度快、鲁棒性强、多目标优化能力突出等优势[2]。将CTCM算法应用于无人机三维路径规划，可有效解决传统算法存在的局部最优、计算效率低等问题，提升复杂环境下无人机路径规划的性能，为无人机自主飞行提供可靠的技术支撑，具有重要的理论研究价值与工程应用意义。
1.2 国内外研究现状
当前，国内外学者针对无人机三维路径规划算法开展了大量研究，形成了两类主流研究方向：一类是基于传统搜索算法的改进，另一类是基于元启发式优化算法的应用。
在传统搜索算法改进方面，研究重点集中于提升算法在三维空间中的适配性与效率。例如，有学者对A*算法进行改进，通过优化三维空间体素化方法、设计动态加权启发式函数，平衡算法的搜索精度与效率，但其本质仍未摆脱计算量过大的局限，难以适应复杂动态环境[1]；另有学者基于Dijkstra算法，引入空间分层策略，减少三维空间中的搜索节点数量，但在高密度障碍物环境中仍易出现路径优化不足的问题。
在元启发式优化算法应用方面，粒子群优化（PSO）、遗传算法（GA）、灰狼优化算法（GWO）、美洲狮优化算法（POA）等已被广泛应用于无人机三维路径规划[3]。例如，基于PSO算法的路径规划方法通过模拟粒子飞行行为搜索最优路径，但易陷入局部最优；基于GA算法的方法通过交叉、变异操作实现路径优化，但收敛速度较慢；基于POA算法的方法模拟美洲狮捕食行为，提升了全局搜索能力，但在多约束多目标优化场景中性能仍有提升空间[3]。
CTCM算法作为一种新型元启发式优化算法，近年来逐渐被应用于各类复杂优化问题，但在无人机三维路径规划领域的应用仍处于初步阶段。现有相关研究多聚焦于简单静态环境，未充分考虑动态障碍物与无人机动力学约束的耦合影响，且对算法的多目标优化机制与路径平滑处理的融合研究不足[2]。因此，本文针对上述问题，深入研究基于CTCM算法的无人机三维路径规划方法，完善算法与路径规划需求的适配性，提升路径规划的性能与可行性。
1.3 研究内容与技术路线
本文围绕基于CTCM算法的无人机三维路径规划展开深入研究，具体研究内容如下：
无人机三维飞行环境建模与路径规划约束分析：构建包含静态与动态障碍物的三维栅格环境模型，明确无人机路径规划的多目标优化需求，分析无人机动力学约束与任务约束，为后续算法设计奠定基础。
CTCM算法原理与改进设计：阐述CTCM算法的核心原理，定义部落、成员与无人机路径的映射关系，改进算法的竞争与合作机制，使其适配无人机三维路径规划的需求。
基于CTCM算法的无人机三维路径规划模型构建：设计多目标适应度函数，融合路径长度、避障安全、飞行平滑性与能耗等优化目标；结合无人机动力学约束，实现CTCM算法与路径规划的深度融合，完成路径搜索过程设计。
仿真实验与性能验证：基于Matlab搭建仿真平台，构建不同复杂度的三维飞行场景，将所提方法与传统算法进行对比实验，从路径安全性、优化效果、收敛速度、动态适应性等方面验证算法的优越性。
本文的技术路线为：首先梳理无人机三维路径规划与CTCM算法的研究现状，明确研究难点与创新点；其次构建三维环境模型与约束体系，改进CTCM算法并构建路径规划模型；然后通过仿真实验验证算法性能；最后总结研究成果，分析存在的不足并提出未来研究方向。
1.4 研究创新点
本文的创新点主要体现在以下三个方面：
将CTCM算法首次系统应用于复杂动态三维环境下的无人机路径规划，通过部落竞争与成员合作机制，有效解决传统算法易陷入局部最优、收敛速度慢的问题，实现全局探索与局部开发的动态平衡。
设计多目标融合适应度函数，综合考虑路径长度、避障安全、飞行平滑性与能耗四大核心目标，结合无人机动力学约束（最大转向角、爬升角等），提升路径的可行性与实用性[2]。
提出CTCM算法与路径平滑处理的融合策略，通过梯度下降法与贝塞尔曲线拟合，优化路径细节，减少无人机飞行过程中的转向突变，降低能耗，提升飞行稳定性[1]。
2 相关理论基础
2.1 无人机三维路径规划基础
2.1.1 路径规划定义与分类
无人机三维路径规划是指在三维空间环境中，根据给定的起点、终点、环境信息（障碍物、地形等）与约束条件，通过特定算法寻找一条满足多目标优化要求的最优或近似最优飞行路径[3]。根据环境信息的已知性，可分为静态路径规划与动态路径规划：静态路径规划适用于环境信息完全已知的场景，路径一旦规划完成不再调整；动态路径规划适用于环境信息实时变化（如动态障碍物）的场景，需具备实时重规划能力[2]。
根据优化目标的数量，可分为单目标路径规划与多目标路径规划：单目标规划仅追求单一指标最优（如路径最短），多目标规划则需同时平衡多个相互冲突的指标（如路径最短与能耗最低、避障安全与飞行平滑），更符合实际应用需求[5]。本文聚焦于动态复杂环境下的多目标无人机三维路径规划。
2.1.2 三维环境建模方法
三维环境建模是无人机路径规划的前提，其核心是将真实的三维飞行环境转化为算法可识别、可处理的数学模型。目前，主流的三维环境建模方法包括体素化建模、八叉树建模与栅格建模[1]。
体素化建模将三维空间划分为一系列均匀的立方体体素，每个体素标记为“可通行”或“不可通行”，该方法简单直观、易于实现，适用于复杂障碍物场景，但存在内存消耗较大的问题[1]；八叉树建模通过递归分割三维空间，对障碍物密集区域进行精细分割，对空旷区域进行粗略分割，能够有效减少内存占用，但实现复杂度较高；栅格建模则将三维空间按一定分辨率划分为三维栅格，每个栅格对应一个空间位置，记录该位置的障碍物信息与移动成本，兼顾实现难度与内存效率，是本文采用的环境建模方法。
2.1.3 路径规划约束条件
无人机三维路径规划需满足两类核心约束：环境约束与无人机动力学约束[3]。
环境约束主要指避障约束，即规划的路径需与静态障碍物、动态障碍物保持安全距离，避免碰撞，通常要求路径与障碍物的最小距离不小于无人机自身尺寸的1.5倍[2]；同时，需考虑飞行高度约束，避免进入受限空域。
动力学约束由无人机自身性能决定，主要包括[1][2]：最大飞行速度（通常设为15m/s）、最大加速度、最大转向角（±30°）、最大爬升角（±25°）与最小转弯半径（通常设为2m），这些约束确保规划的路径能够被无人机实际执行，避免出现无法实现的转向或爬升动作。
2.2 部落竞争与成员合作算法（CTCM）原理
2.2.1 算法核心思想
CTCM算法源于对自然界部落生态行为的模拟，其核心思想是：将优化问题的解空间映射为若干“部落”，每个部落由若干“成员”组成，通过部落间的竞争机制筛选最优方案，通过部落内成员的合作机制优化解的细节，最终实现全局最优解的搜索[2]。
在CTCM算法中，部落代表聚焦于特定优化方向的解群体，成员则代表单个候选解，算法通过“竞争-合作-更新”的循环迭代过程，逐步提升解的质量：部落间的竞争确保算法的全局探索能力，避免陷入局部最优；部落内的合作确保算法的局部开发能力，优化解的细节精度[2]。该机制使得CTCM算法具备收敛速度快、鲁棒性强、多目标优化能力突出的优势，适用于无人机三维路径规划这类复杂多约束优化问题。
2.2.2 算法核心组件与定义
结合无人机三维路径规划的需求，对CTCM算法的核心组件定义如下[2]：
成员（Member）：对应一条无人机候选三维路径，由一系列时空航点（x, y, z, t）组成，其中（x, y, z）为航点的三维空间坐标，t为无人机到达该航点的时间，每个成员包含路径长度、安全距离、能耗、平滑性等参数，用于后续适应度评估。
部落（Tribe）：由若干成员组成的解群体，每个部落聚焦于特定的路径优化方向（如低空避障、高速巡航），部落内成员共享路径优化经验，通过协同协作修正不可行路径段，提升部落内解的整体质量。
适应度函数（Fitness Function）：用于评估成员（候选路径）的优劣，是算法竞争与合作机制的核心依据，需综合考虑无人机路径规划的多目标优化需求与约束条件，本文将在后续章节详细设计。
竞争机制（Competition Mechanism）：基于适应度函数的评估结果，淘汰适应度较低的部落，保留适应度较高的优质部落，并为优质部落分配更多的计算资源，确保算法的全局探索能力。
合作机制（Cooperation Mechanism）：部落内成员通过位置交叉、变异等操作，借鉴精英成员（最优候选路径）的航点调整自身路径，修正不可行路径段，优化路径细节，提升成员的适应度，确保算法的局部开发能力。
2.2.3 算法基本流程
CTCM算法的基本迭代流程如下[2]：
初始化参数：设定部落数量、每个部落的成员数量、最大迭代次数、竞争阈值、合作学习率等参数，随机生成初始部落群体与成员（候选路径），确保所有初始成员满足无人机基本飞行约束。
适应度评估：计算每个成员的适应度值，根据适应度值对部落内成员进行排序，筛选出每个部落的精英成员（适应度最高的成员）。
部落竞争：计算每个部落的平均适应度值，淘汰平均适应度低于竞争阈值的部落，对保留的优质部落进行扩容，补充新的成员（基于精英成员变异生成），分配更多计算资源。
成员合作：每个部落内，精英成员作为学习模板，其他成员通过交叉、变异操作，借鉴精英成员的航点信息调整自身路径，修正不可行路径段（如穿越障碍物的路径），更新成员的参数。
收敛判断：若迭代次数达到最大迭代次数，或最优成员（最优路径）的适应度值趋于稳定（连续多次迭代变化量小于设定阈值），则停止迭代，输出最优成员对应的路径；否则，返回步骤2，进入下一次迭代。
3 基于CTCM算法的无人机三维路径规划模型构建
3.1 三维飞行环境建模
本文采用三维栅格建模方法，构建包含静态与动态障碍物的复杂飞行环境，具体步骤如下：
空间栅格划分：设定三维飞行空间的范围为100m×100m×50m（x轴：0~100m，y轴：0~100m，z轴：0~50m），栅格分辨率设为2m×2m×2m，将三维空间划分为50×50×25个均匀栅格，每个栅格的坐标可表示为（i×2, j×2, k×2），其中i, j, k为非负整数[2]。
障碍物建模：静态障碍物包括10栋高楼（高度20~40m）、5根电线杆（高度15m），将其所在栅格标记为“不可通行”；动态障碍物为移动车辆（速度5m/s），实时更新其所在栅格位置，标记为“临时不可通行”，并预测其未来一段时间的运动轨迹，为动态路径规划提供支撑[2]。
环境信息存储：采用三维数组存储栅格环境信息，数组元素的值为0或1，其中0表示该栅格可通行，1表示该栅格不可通行（含静态障碍物或动态障碍物），便于算法快速查询栅格的通行状态。
3.3 基于CTCM的无人机三维路径规划流程
结合无人机三维路径规划的约束条件与多目标优化需求，将CTCM算法与路径规划流程深度融合，设计基于CTCM的无人机三维路径规划流程，具体步骤如下：
3.3.1 初始化阶段
设定参数：初始化CTCM算法参数与路径规划参数，包括：部落数量为5，每个部落的成员数量为10（总种群规模50），最大迭代次数为100，竞争阈值为0.6，合作学习率为0.3；无人机动力学参数包括最大速度15m/s，最大转向角±30°，最小转弯半径2m[1][2]。
生成初始成员：随机生成初始候选路径（成员），起点与终点坐标固定，中间航点随机生成，确保初始路径满足无人机动力学约束，且不穿越静态障碍物；将初始成员随机分配到各个部落，形成初始部落群体。
3.3.2 适应度评估阶段
计算每个成员（候选路径）的适应度值F，计算过程中需实时检查路径是否满足约束条件：若路径穿越障碍物或违反动力学约束，直接将其适应度值设为无穷大，标记为不可行路径，在后续竞争与合作过程中优先淘汰；对可行路径，按照上述适应度函数计算F值，并对每个部落内的成员按F值升序排序，筛选出每个部落的精英成员（F值最小的成员）。
3.3.3 部落竞争阶段
计算每个部落的平均适应度值，即部落内所有成员适应度值的平均值。
淘汰平均适应度值大于竞争阈值的部落，保留优质部落；对保留的优质部落进行扩容，基于部落内精英成员的航点信息，通过变异操作生成新的成员，补充到部落中，确保每个部落的成员数量维持在初始设定值。
为优质部落分配更多的计算资源，提升其成员合作与路径优化的效率，加速算法收敛。
3.3.4 成员合作阶段
成员合作阶段的核心是通过部落内成员的协同协作，优化候选路径的细节，提升路径质量，具体操作如下[2]：
精英成员引导：以每个部落的精英成员为学习模板，提取其最优航点信息与路径特征（如避障策略、平滑性参数）。
交叉操作：部落内非精英成员与精英成员进行航点交叉，随机选择若干中间航点，将非精英成员的对应航点替换为精英成员的航点，生成新的候选路径。
变异操作：对交叉后的成员进行变异操作，随机调整部分航点的坐标（调整幅度不超过栅格分辨率），避免算法陷入局部最优，同时确保变异后的路径满足无人机动力学约束。
路径修正：对合作更新后的成员（候选路径）进行可行性检查，若存在不可行路径段（如穿越障碍物、违反转向角约束），则基于精英成员的经验进行修正，确保更新后的成员均为可行路径。
3.3.5 路径平滑与迭代收敛阶段
路径平滑处理：对每次迭代产生的最优候选路径，采用贝塞尔曲线拟合方法进行平滑处理[1]，将离散的航点拟合为连续光滑的曲线，减少无人机飞行过程中的转向突变，降低能耗，同时确保平滑后的路径满足所有约束条件。
收敛判断：检查迭代次数是否达到最大迭代次数（100次），或最优路径的适应度值连续10次迭代的变化量小于10⁻³，若满足任一条件，则停止迭代，输出最优路径；否则，返回适应度评估阶段，进入下一次迭代。
3.3.6 动态重规划机制
针对动态环境（如动态障碍物移动），设计实时重规划机制[2]：无人机飞行过程中，实时获取环境信息，若检测到原有最优路径上出现新的动态障碍物（或障碍物移动至路径上），则立即触发CTCM算法的局部重规划过程，以当前无人机位置为新起点，终点保持不变，设置较小的迭代次数（20次），快速搜索新的最优路径，确保无人机能够实时避障，提升算法的动态适应性。
4 总结与展望
4.1 研究总结
本文围绕无人机三维路径规划的核心需求，针对传统算法存在的不足，开展了基于CTCM算法的无人机三维路径规划研究，主要完成以下工作与成果：
梳理了无人机三维路径规划与CTCM算法的研究现状，分析了传统路径规划算法的局限性，明确了CTCM算法应用于无人机三维路径规划的优势与可行性，确立了本文的研究方向与创新点。
构建了无人机三维飞行环境模型与约束体系，采用三维栅格建模方法，实现了静态与动态障碍物的精准建模，明确了无人机动力学约束与环境约束，为路径规划模型的构建奠定了基础。
深入研究了CTCM算法的核心原理，结合无人机三维路径规划的需求，定义了部落、成员与候选路径的映射关系，改进了算法的竞争与合作机制，使其适配复杂多约束的路径规划问题。
构建了基于CTCM算法的无人机三维路径规划模型，设计了多目标融合适应度函数，融合路径长度、避障安全、飞行平滑性与能耗四大目标，结合路径平滑处理与动态重规划机制，提升了路径的可行性与动态适应性。
通过Matlab仿真实验，在静态与动态复杂环境中，将所提方法与传统算法进行对比验证，实验结果表明，所提方法在各项性能指标上均优于对比算法，能够有效满足无人机自主飞行的路径规划需求。
4.2 研究局限性
尽管本文提出的基于CTCM算法的无人机三维路径规划方法取得了较好的效果，但仍存在一些局限性，有待进一步改进[2]：
计算复杂度问题：在大规模复杂场景中，部落数量与成员数量的增加会导致算法计算量上升，计算资源需求增加，影响实时规划性能。
动态环境适应性不足：在极端动态环境（如障碍物高速运动、多个动态障碍物同时移动）下，算法的重规划机制响应能力仍有提升空间，可能出现路径调整不及时的情况。
参数设置的主观性：CTCM算法的部分参数（如部落数量、合作学习率）与适应度函数的权重系数，目前仍依赖人工经验设置，缺乏自动化调参机制，可能影响算法在不同场景下的适配性。
多无人机协同规划缺失：本文仅研究了单无人机的三维路径规划，未考虑多无人机编队飞行的场景，无法实现多无人机的协同避障与路径分配。
4.3 未来研究展望
针对本文研究的局限性，结合无人机技术的发展趋势，未来的研究方向主要包括以下几个方面[2]：
优化算法结构，降低计算复杂度：研究更高效的部落管理与成员更新策略，减少冗余计算；引入分布式计算框架，利用GPU硬件加速技术，提升算法的实时性，适应大规模复杂场景。
提升动态环境适应性：改进动态重规划机制，结合机器学习技术，预测动态障碍物的运动轨迹，实现提前避障；设计自适应参数调整策略，使算法能够根据环境变化实时调整参数，提升鲁棒性。
引入自动化调参机制：结合贝叶斯优化、强化学习等技术，设计CTCM算法参数与适应度函数权重的自动化调参工具，降低人工经验依赖，提升算法在不同场景下的适配性。
扩展至多无人机协同规划：将CTCM算法扩展至多无人机编队场景，设计多无人机部落竞争与合作机制，实现多无人机的协同避障、路径分配与任务调度，提升多无人机系统的整体作业效率。
结合实际场景验证：开展硬件实物实验，将所提算法部署到实际无人机平台，在真实复杂环境（如城市建筑群、山地）中验证算法的可行性与实用性，推动算法的工程化应用。
⛳️ 运行结果
🔗 参考文献
[1] 谌海云,陈华胄,刘强.基于改进人工势场法的多无人机三维编队路径规划[J].系统仿真学报, 2020(3):414-420.DOI:10.16182/j.issn1004731x.joss.18-0252.
[2] 蔺文轩,谢文俊,张鹏,等.基于分组优化改进粒子群算法的无人机三维路径规划[J].火力与指挥控制, 2023, 48(1):20-25.DOI:10.3969/j.issn.1002-0640.2023.01.004.
[3] 张涛,李少波,张安思,等.基于改进人工鱼群算法的复杂地貌无人机三维路径规划[J].科学技术与工程, 2023, 23(10):4433-4439.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
