✅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
无人机路径规划是无人机自主导航系统的核心关键技术，其核心目标是在复杂约束环境（如障碍物规避、能源消耗、飞行距离、任务时效等）下，求解一条最优或次优飞行路径，兼顾路径可行性、经济性与稳定性。元启发算法凭借其无需依赖问题具体数学模型、全局搜索能力强、鲁棒性好等优势，已成为无人机路径规划问题的主流求解方法。本文选取七种典型元启发算法——蝴蝶优化算法（DBO）、狮群优化算法（LO）、樽海鞘群优化算法（SWO）、郊狼优化算法（COA）、布谷鸟搜索算法（LSO）、柯西鸟优化算法（KOA）、灰狼优化算法（GRO），系统研究其在无人机路径规划问题中的应用。通过搭建统一的无人机路径规划仿真环境，设定一致的约束条件与评价指标，对七种算法的路径求解效果、搜索效率、稳定性及抗干扰能力进行全面对比分析，明确各算法的优势与不足，为不同场景下无人机路径规划算法的选型提供理论依据与实践参考。研究结果表明，七种算法均能有效求解无人机路径规划问题，其中GRO算法在复杂多障碍物环境下的全局寻优精度最优，DBO算法的搜索收敛速度最快，而COA算法在多约束耦合场景下的稳定性表现最佳。
关键词
无人机；路径规划；元启发算法；DBO算法；LO算法；SWO算法；性能对比
1 引言
1.1 研究背景与意义
随着无人机技术的快速迭代与普及，其在航拍测绘、电力巡检、应急救援、军事侦察、物流配送等多个领域的应用日益广泛。在各类实际应用场景中，无人机往往需要在未知或复杂环境中完成指定任务，路径规划的合理性直接决定了无人机任务执行的效率、安全性与经济性。例如，电力巡检中，无人机需规避输电线路、杆塔、树木等障碍物，同时尽可能缩短飞行距离以降低能源消耗；应急救援中，需快速规划最优路径抵达救援区域，兼顾时效性与飞行安全性。
无人机路径规划本质上是一种多约束、多目标的组合优化问题，其数学模型具有非线性、非凸、多局部最优解等特点，传统优化算法（如枚举法、线性规划法）难以在合理时间内求解全局最优解，尤其在复杂多障碍物环境下，求解效率与路径质量均无法满足实际需求。元启发算法源于对自然界生物群体行为、物理现象或社会现象的模拟，通过模拟生物觅食、迁徙、协作等行为，实现对优化问题的全局搜索与局部寻优平衡，具有适应性强、求解速度快、易于实现等优势，为复杂无人机路径规划问题提供了高效的求解思路。
目前，已有多种元启发算法被应用于无人机路径规划研究，但不同算法的搜索机制、寻优性能存在显著差异，针对特定场景的算法选型缺乏系统的对比研究。本文选取七种近年来应用广泛、性能优异的元启发算法，系统开展无人机路径规划对比实验，明确各算法的适用场景与性能短板，为无人机路径规划算法的改进与工程应用提供重要支撑，具有重要的理论研究价值与实际应用意义。
1.2 国内外研究现状
国外关于无人机路径规划与元启发算法的研究起步较早，已形成较为成熟的理论体系与工程应用方案。学者们先后将遗传算法、粒子群优化算法、蚁群算法等经典元启发算法应用于无人机路径规划，通过改进算法的搜索机制、约束处理方式，提升路径规划的精度与效率。近年来，随着新型元启发算法的不断涌现，DBO、LO、SWO等算法凭借其独特的寻优机制，被逐步应用于无人机路径规划领域，相关研究主要聚焦于算法的改进、多目标路径规划与动态环境路径规划等方向。例如，国外学者通过改进SWO算法的位置更新策略，提升了其在复杂多障碍物环境下的路径寻优精度；基于LO算法的群体协作特性，实现了多无人机协同路径规划。
国内关于无人机路径规划的研究近年来发展迅速，在元启发算法的应用与改进方面取得了大量成果。国内学者针对不同应用场景，开展了元启发算法在无人机路径规划中的适应性研究，例如，将COA算法应用于电力巡检无人机路径规划，解决了复杂地形与障碍物约束下的路径优化问题；通过融合DBO算法与局部搜索策略，提升了路径规划的收敛速度与路径平滑性。但目前国内研究多集中于单一算法的应用与改进，针对多种新型元启发算法的系统性对比研究较少，尤其缺乏对DBO、LO、SWO、COA、LSO、KOA、GRO七种算法在统一场景下的性能对比分析，难以满足不同工程场景下算法选型的需求。
1.3 研究内容与技术路线
本文围绕七种元启发算法在无人机路径规划中的应用展开研究，具体研究内容如下：
无人机路径规划问题建模：明确无人机路径规划的核心目标、约束条件，构建基于地理环境、飞行性能的路径规划数学模型，包括目标函数（飞行距离、能源消耗、飞行时间）与约束条件（障碍物规避、飞行高度、转弯角度、速度限制）。
七种元启发算法原理分析：系统阐述DBO、LO、SWO、COA、LSO、KOA、GRO七种算法的基本原理、搜索机制、参数设置，分析各算法的寻优特性与适用场景，为后续实验研究奠定理论基础。
无人机路径规划仿真环境搭建：基于MATLAB平台，搭建统一的无人机路径规划仿真环境，导入典型地理环境模型（含障碍物、起始点、目标点），设定一致的仿真参数与评价指标。
七种算法路径规划实验与性能对比：在统一仿真环境下，分别采用七种算法求解无人机路径规划问题，记录各算法的路径求解结果、收敛曲线、运行时间等数据，从寻优精度、收敛速度、稳定性、抗干扰能力四个维度进行全面对比分析。
算法优化与展望：针对实验中发现的各算法不足，提出初步的改进思路，结合实际应用场景，对未来无人机路径规划算法的研究方向进行展望。
本文的技术路线如下：首先明确研究背景与意义，梳理国内外研究现状，确定研究内容与技术路线；其次构建无人机路径规划数学模型，分析七种元启发算法的原理与特性；然后搭建仿真环境，开展七种算法的路径规划对比实验；最后分析实验结果，总结各算法的优势与不足，提出改进思路与研究展望。
1.4 研究创新点
本文的创新点主要体现在以下两个方面：
选取七种新型、高性能的元启发算法（DBO、LO、SWO、COA、LSO、KOA、GRO）进行系统性对比研究，覆盖了不同类型的元启发算法（群体智能算法、仿生算法），填补了现有研究中多种新型元启发算法对比分析的空白。
搭建统一的仿真环境与评价体系，消除了不同研究中仿真参数、约束条件、评价指标不一致带来的影响，确保了七种算法性能对比的客观性与准确性，为工程实际中的算法选型提供了可靠的参考依据。
2 无人机路径规划问题建模
3.2 狮群优化算法（LO）
狮群优化算法（Lion Optimization Algorithm, LO）是一种基于狮群社会行为的群体智能优化算法，模拟狮群中雄狮、雌狮与幼狮的分工协作行为，实现对优化问题的寻优。该算法中，雄狮负责守护领地、争夺配偶（全局搜索），雌狮负责狩猎、哺育幼狮（局部搜索），幼狮负责学习与成长（个体更新），通过三者的协作，实现全局寻优与局部寻优的平衡。
LO算法的核心步骤如下：
初始化种群：设定狮群规模N（分为雄狮、雌狮、幼狮三类，比例可调整）、最大迭代次数Max_iter、搜索空间维度D、雄狮领地半径、雌狮狩猎范围等参数，随机生成N个狮群个体，计算每个个体的适应度值，筛选出最优个体作为初始狮王（最优解）。
雄狮行为（全局搜索）：雄狮在领地内随机移动，搜索更优的解，若发现适应度值优于当前狮王的个体，则更新狮王；同时，雄狮之间会进行竞争，适应度值较差的雄狮会被淘汰，替换为新的随机个体。
雌狮行为（局部搜索）：雌狮围绕狮王与雄狮的位置，在狩猎范围内进行局部搜索，通过协作狩猎的方式，优化自身位置，提升适应度值；若发现更优解，及时更新狮王。
幼狮行为（个体更新）：幼狮通过模仿雄狮与雌狮的行为，更新自身位置，同时，适应度值较差的幼狮会被淘汰，确保种群的活力。
适应度更新：计算所有个体更新后的适应度值，保留当前最优狮王与最优适应度值。
终止判断：若达到最大迭代次数或满足精度要求，停止迭代，输出最优解；否则，返回步骤2，继续迭代。
LO算法的优势在于群体协作能力强，全局寻优与局部寻优平衡较好，稳定性强；不足在于算法结构相对复杂，参数调整难度较大。
3.3 樽海鞘群优化算法（SWO）
樽海鞘群优化算法（Salp Swarm Optimization, SWO）是一种基于樽海鞘群体运动行为的仿生优化算法，由Mirjalili等人于2017年提出。樽海鞘是一种海洋浮游生物，通常以链状群体形式运动，前端的樽海鞘（领导者）负责引导群体方向，后端的樽海鞘（追随者）跟随领导者运动，通过这种群体协作行为，实现高效的觅食与迁徙。
SWO算法的核心步骤如下：
初始化种群：设定樽海鞘群规模N、最大迭代次数Max_iter、搜索空间维度D、领导者与追随者的比例等参数，随机生成N个樽海鞘个体，计算每个个体的适应度值，筛选出适应度值最优的个体作为领导者，其余个体作为追随者。
领导者位置更新：领导者根据全局最优位置，随机调整自身位置，实现全局搜索，位置更新公式结合随机因子与全局最优解，确保搜索的多样性。
追随者位置更新：追随者跟随前一个个体（领导者或前一个追随者）的位置移动，同时引入随机因子，避免陷入局部最优，实现局部搜索与全局搜索的结合。
适应度更新：计算所有个体更新后的适应度值，若有个体的适应度值优于当前全局最优解，则更新全局最优解。
终止判断：若迭代次数达到最大值或全局最优解趋于稳定，停止迭代，输出最优解；否则，返回步骤2，继续迭代。
SWO算法的优势在于收敛速度较快、鲁棒性好，易于实现；不足在于后期搜索精度不足，对复杂多峰优化问题的求解效果有待提升。
3.4 郊狼优化算法（COA）
郊狼优化算法（Coyote Optimization Algorithm, COA）是一种基于郊狼群体社会行为的群体智能优化算法，模拟郊狼的群体生活、繁殖、觅食等行为，通过郊狼群体的分工协作与个体学习，实现对优化问题的寻优。该算法中，郊狼群体分为若干家族，每个家族内的郊狼通过协作觅食实现局部寻优，家族之间的个体交流实现全局寻优。
COA算法的核心步骤如下：
初始化种群：设定郊狼种群规模N、家族数量K、最大迭代次数Max_iter、搜索空间维度D、繁殖概率、迁移概率等参数，将N个郊狼个体随机分配到K个家族中，计算每个个体的适应度值，确定每个家族的最优个体与全局最优个体。
家族内觅食（局部搜索）：每个家族内的郊狼通过模仿家族最优个体的行为，更新自身位置，实现局部寻优；同时，家族内个体之间进行信息交流，提升局部搜索精度。
繁殖与变异：按照设定的繁殖概率，选取家族内适应度值较优的个体进行繁殖，生成新的个体（子代），并引入变异因子，增加种群多样性，避免陷入局部最优。
家族间迁移（全局搜索）：按照设定的迁移概率，将部分家族内的个体迁移到其他家族，实现家族之间的信息交流，扩大搜索范围，提升全局寻优能力。
适应度更新：计算所有个体（包括子代与迁移个体）的适应度值，更新每个家族的最优个体与全局最优个体，淘汰适应度值较差的个体。
终止判断：若达到最大迭代次数或满足精度要求，停止迭代，输出全局最优解；否则，返回步骤2，继续迭代。
COA算法的优势在于种群多样性好、稳定性强，对多约束、多峰优化问题的求解效果较好；不足在于收敛速度相对较慢，算法复杂度较高。
3.5 布谷鸟搜索算法（LSO）
布谷鸟搜索算法（Cuckoo Search Optimization, LSO）是一种基于布谷鸟寄生繁殖行为的仿生优化算法，由Yang等人于2009年提出。该算法模拟布谷鸟将卵产在其他鸟类的巢中，由宿主鸟孵化喂养的行为，通过布谷鸟的产卵（个体更新）、宿主鸟的弃巢（个体淘汰）等机制，实现对优化问题的寻优。
LSO算法的核心步骤如下：
初始化种群：设定布谷鸟种群规模N（每个布谷鸟对应一个鸟巢，即一个解）、最大迭代次数Max_iter、搜索空间维度D、卵被发现的概率Pa（宿主鸟发现布谷鸟卵的概率）等参数，随机生成N个鸟巢位置（解），计算每个鸟巢的适应度值（目标函数值）。
布谷鸟产卵（个体更新）：随机选择一个布谷鸟，通过 Lévy 飞行（一种随机行走模式，具有长距离跳跃特性）更新其产卵位置（新解），计算新解的适应度值。
宿主鸟弃巢（个体淘汰）：对于每个新生成的解，若随机生成的概率值小于Pa，则宿主鸟发现布谷鸟卵，弃巢并重新生成一个新的鸟巢位置（新解）；否则，保留新解。
适应度更新：比较新解与原解的适应度值，保留适应度值更优的解，更新全局最优解。
终止判断：若迭代次数达到最大值或全局最优解趋于稳定，停止迭代，输出最优解；否则，返回步骤2，继续迭代。
LSO算法的优势在于全局搜索能力强，通过Lévy飞行可有效跳出局部最优解，鲁棒性好；不足在于局部搜索精度不足，收敛速度相对较慢。
3.6 柯西鸟优化算法（KOA）
柯西鸟优化算法（Cauchy Bird Optimization Algorithm, KOA）是一种基于鸟类觅食行为与柯西变异策略的改进型仿生优化算法，融合了鸟类的群体协作觅食行为与柯西变异的全局搜索特性，提升了算法的寻优精度与收敛速度。该算法中，鸟类群体分为觅食鸟与侦察鸟，觅食鸟负责局部觅食（局部搜索），侦察鸟负责探索新的觅食区域（全局搜索），柯西变异用于增加种群多样性，避免陷入局部最优。
KOA算法的核心步骤如下：
初始化种群：设定鸟类种群规模N（分为觅食鸟与侦察鸟，比例可调整）、最大迭代次数Max_iter、搜索空间维度D、柯西变异系数、侦察鸟探索范围等参数，随机生成N个鸟类个体，计算每个个体的适应度值，确定全局最优个体。
觅食鸟行为（局部搜索）：觅食鸟围绕自身周围的个体与全局最优个体，进行局部搜索，更新自身位置，提升适应度值；若发现更优解，及时更新全局最优解。
侦察鸟行为（全局搜索）：侦察鸟在整个搜索空间内随机探索，通过柯西变异策略更新自身位置，探索新的最优解区域；若侦察鸟的适应度值优于全局最优解，则更新全局最优解，并将该侦察鸟转化为觅食鸟，增强局部搜索能力。
柯西变异：定期对种群中的个体进行柯西变异，通过柯西分布的随机因子调整个体位置，增加种群多样性，避免算法陷入局部最优。
适应度更新：计算所有个体更新后的适应度值，保留全局最优解，淘汰适应度值较差的个体，补充新的随机个体，确保种群活力。
终止判断：若达到最大迭代次数或满足精度要求，停止迭代，输出最优解；否则，返回步骤2，继续迭代。
KOA算法的优势在于全局寻优与局部寻优能力均衡，收敛速度较快，寻优精度较高；不足在于参数调整相对复杂，对初始参数的依赖性较强。
3.7 灰狼优化算法（GRO）
灰狼优化算法（Grey Wolf Optimization, GRO）是一种基于灰狼群体捕食行为的仿生优化算法，由Mirjalili等人于2014年提出。该算法模拟灰狼群体的社会等级制度与捕食行为，灰狼群体分为α狼（领导者，负责决策）、β狼（决策者，辅助α狼）、δ狼（执行者，跟随α狼与β狼）、ω狼（追随者，服从群体），通过群体协作捕食，实现对优化问题的寻优。
GRO算法的核心步骤如下：
初始化种群：设定灰狼种群规模N、最大迭代次数Max_iter、搜索空间维度D、收敛因子a（随迭代次数递减，控制搜索范围）等参数，随机生成N个灰狼个体，计算每个个体的适应度值，筛选出适应度值最优的3个个体，分别作为α狼、β狼、δ狼，其余个体作为ω狼。
位置更新：ω狼根据α狼、β狼、δ狼的位置，更新自身位置，模拟灰狼群体跟随领导者捕食的行为；位置更新公式结合收敛因子a与随机因子，实现全局搜索与局部搜索的平衡，随着迭代次数增加，a逐渐减小，搜索范围从全局搜索逐步转向局部搜索。
适应度更新：计算所有灰狼个体更新后的适应度值，重新筛选α狼、β狼、δ狼，保留当前全局最优解（α狼对应的解）。
终止判断：若迭代次数达到最大值或收敛因子a减小到设定阈值（满足精度要求），停止迭代，输出α狼对应的最优解；否则，返回步骤2，继续迭代。
GRO算法的优势在于全局寻优精度高、鲁棒性强，算法结构简单、易于实现；不足在于后期收敛速度较慢，局部搜索能力有待提升。
4 结论与展望
4.1 研究结论
本文围绕七种元启发算法（DBO、LO、SWO、COA、LSO、KOA、GRO）在无人机路径规划中的应用展开系统性研究，通过构建无人机路径规划数学模型、搭建统一仿真环境、开展对比实验，对七种算法的寻优精度、收敛速度、稳定性与抗干扰能力进行了全面分析，得出以下结论：
七种元启发算法均能有效求解无人机路径规划问题，在满足障碍物规避、飞行高度、转弯角度等约束条件的前提下，能够规划出可行的最优或次优路径，适用于不同场景下的无人机路径规划需求。
不同算法的性能各有优劣：GRO算法在寻优精度与抗干扰能力方面表现最佳，适用于复杂多障碍物、对路径精度要求较高的场景（如电力巡检、应急救援）；DBO算法的收敛速度最快，适用于对实时性要求较高、环境相对简单的场景（如物流配送、航拍测绘）；COA算法的稳定性最强，适用于多约束耦合、对路径稳定性要求较高的场景（如军事侦察）。
算法的全局寻优能力与局部寻优能力存在trade-off关系：收敛速度快的算法（如DBO），局部搜索能力较弱，易陷入局部最优；寻优精度高的算法（如GRO），收敛速度较慢，后期局部搜索过程较长；而COA、KOA等算法通过优化种群更新策略，实现了全局寻优与局部寻优的较好平衡。
4.2 研究不足与展望
4.2.1 研究不足
本文的研究仍存在一些不足，主要体现在以下几个方面：
本文仅考虑静态障碍物环境，未涉及动态障碍物（如移动车辆、鸟类），与实际无人机飞行环境的复杂性存在一定差距，算法在动态环境下的适应性有待进一步验证。
无人机路径规划的目标函数仅考虑了飞行距离、能源消耗、飞行时间三个核心目标，未涉及路径平滑性、避障安全性余量等细节目标，路径的实际适用性有待提升。
未对七种算法进行改进，仅采用原始算法进行实验，各算法的性能仍有提升空间；同时，未考虑算法的并行化实现，求解效率难以满足大规模、复杂场景下的路径规划需求。
4.2.2 未来展望
针对本文的研究不足，结合无人机路径规划技术的发展趋势，未来的研究方向主要包括以下几个方面：
拓展动态环境路径规划研究：引入动态障碍物模型，模拟实际飞行环境中的动态干扰，研究七种算法在动态环境下的适应性，通过改进算法的位置更新策略，提升算法的动态寻优能力。
优化路径规划目标函数与约束条件：增加路径平滑性、避障安全性余量等目标，构建更贴合工程实际的多目标优化模型；同时，考虑无人机的能源约束、通信约束等，提升路径的实际适用性。
算法改进与融合：针对各算法的不足，结合多种算法的优势，设计混合元启发算法
⛳️ 运行结果
🔗 参考文献
[1] 孙银娣,史达.牵引配合康复锻炼治疗膝骨性关节炎的临床研究[J].美中国际创伤杂志, 2012.
[2] 王庆,刘学鹏.基于流水算法的旅行商问题求解[J].预测, 2014(1):65-69.DOI:10.11847/fj.33.1.65.
[3] 崔建双.25个经典的元启发式算法:从设计到MATLAB实现[M].企业管理出版社,2021.
📣 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
👇
