✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、数学建模、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 关注我领取海量matlab电子书和数学建模资料个人信条做科研博学之、审问之、慎思之、明辨之、笃行之是为博学慎思明辨笃行。 内容介绍一、研究定位与建模思路本研究面向地形遮挡环境下UAV-USV跨域无人集群协同搜索任务从航空宇航科学与技术的学科视角出发探索通过协同路径规划技术来提升通信效果的方法。研究定位为通信感知的协同路径规划Communication-Aware Cooperative Path Planning即通信建模是路径规划的输入和约束路径规划是提升通信效果的手段而非研究通信技术本身。基于上述定位通信建模遵循够用、清晰、可计算的原则够用——引入物理层SINR模型和LoS/NLoS区分但不超过路径规划决策所需的信息粒度清晰——通信约束的物理含义明确不引入难以解释或难以标定的自由参数可计算——所有模型在MATLAB环境下高效运行不因通信计算过度拖累路径规划的实时性。整体建模框架采用硬约束 评价指标双层架构。硬约束嵌入路径规划的候选动作筛选环节从规划层面保障通信的最低服务水平评价指标在仿真结束后统计为通信效果的多维度分析提供依据。通信优化目标不再以加权项形式进入目标函数而是以约束的形式保障底线。二、场景与问题描述2.1 任务场景任务区域为一片含有岛屿/山体地形的海域范围 10 km × 10 km。由 Nu 架固定翼UAV无人机和 Ns 艘USV无人艇组成的异构集群在该区域执行协同搜索覆盖任务。UAV在空中以较高速度飞行搭载视觉/光电传感器对海面及岛屿表面进行搜索USV在水面以较低速度航行搭载声纳/雷达对海域进行搜索同时充当UAV编队的移动通信中继节点锚节点。地形岛屿山体对UAV之间的无线通信链路造成遮挡UAV-USV之间的链路同样受地形影响。通信约束成为协同搜索任务中的关键制约因素。2.2 平台建模2.3 地形与通信遮挡地形由数字高程模型DEMH(x,y) 描述。地图网格分辨率为 50 m总网格点数 200×200。地形通过高斯山峰叠加 主山脊 海岸线衰减生成最大高程 420 m。无线信号在两点间传播时若地形高程侵入传播路径则造成遮挡NLoSNon-Line-of-Sight。本研究在几何LoS判定的基础上引入Fresnel区简化余量进一步区分勉强LoS与充分LoS为通信质量的分级评估提供更精细的物理依据。三、物理层信道模型物理层信道模型是通信建模的基础。本研究引入基于SINR的信道模型替代原有的纯几何距离衰减模型使链路质量评估具有明确的物理含义。同时模型保持计算简洁所有参数均可从文献或工程经验中标定。3.4 简化Fresnel净空判定原算法中的LoS判定为纯几何线-地形相交检测在两点间连线等距采样若任一采样点处地形高程加15 m净空余量高于信号线高度则判定为NLoS。这一判定未考虑无线电波传播的Fresnel区效应——信号能量并非集中在一根几何线上而是分布在以几何线为轴的一个椭球体内第一Fresnel区。若地形侵入Fresnel区但未遮挡几何线信号仍会受到显著衰减。对航空宇航方向而言Fresnel区的核心工程含义是UAV的飞行路径不仅要避开山体的几何遮挡还需要与山体保持足够的通信安全间距。完整计算每条链路的Fresnel区半径需要沿链路多次采样计算量随链路数和采样点数乘积增长在MATLAB环境下可能显著拖累路径规划的实时性。因此本模型采用简化策略方案一参数调节法推荐将原算法中的净空余量参数 commTerrainClearanceKm 从 15 m 适度提高至 25-35 m以参数裕度的形式体现Fresnel区效应。这是最经济的实现方式——修改一个参数值无需增加任何计算。方案二可配置开关在代码中保留完整Fresnel计算的接口通过一个布尔参数控制是否启用。默认关闭使用方案一的增大余量在需要高精度分析的场景下可开启。四、双层通信图模型在物理层SINR/数据率模型的基础上构建双层通信图以区分不同质量等级的通信链路。这是本模型区别于原算法单层连通/不连通判定的另一个核心改进。4.1 基本通信图 G^B基本通信图 G^B(k) (V, E^B(k)) 描述能够通信的链路集合——只要链路质量超过最低可用阈值即纳入。边的存在条件为eᵢⱼ^B(k) 1 ⇔ dᵢⱼ(k) ≤ D_max ∧ γᵢⱼ(k) ≥ γ_th ∧ Rᵢⱼ(k) ≥ R_min((8))G^B 既包含高质量的LoS链路也包含信号衰减较大但仍然可用的NLoS链路。它定义了通信的底线——只要UAV能够通过G^B中的某条路径到达任意锚节点USV即认为该UAV在网可以完成基本的遥测上传和指令接收。4.2 视距优质通信图 G^L视距优质通信图 G^L(k) (V, E^L(k)) 描述高质量通信的链路集合——不仅满足基本通信条件还必须具备无遮挡的视距传播路径。边的存在条件在公式(8)的基础上增加LoS约束eᵢⱼ^L(k) 1 ⇔ eᵢⱼ^B(k) 1 ∧ LoSᵢⱼ(k) 1((9))G^L 是 G^B 的子图E^L ⊆ E^B。它定义了通信的品质——通过G^L连通的链路具有更低的路径损耗、更高的数据率和更稳定的信号质量更适合传输大带宽的传感器数据如高分辨率图像、实时视频。4.3 服务接入变量基于双层通信图为每架UAV定义两个布尔服务接入变量描述其在时刻 k 能否通过对应通信图到达至少一个锚节点USVaᵢ^B(k) { 1, G^B(k) 中存在从 uᵢ 到某 a ∈ A 的路径 ; 0, 否则((10))aᵢ^L(k) { 1, G^L(k) 中存在从 uᵢ 到某 a ∈ A 的路径 ; 0, 否则((11))aᵢ^B(k) 1 意味着不失联基本通信有保障aᵢ^L(k) 1 意味着高质量通信LoS链路可用。这两个变量是后续通信硬约束和评价指标的核心输入。4.4 中继与多跳连通路径存在性通过图的连通分量分析确定。具体地对于通信图 GG^B 或 G^LUAV-USV 链路若 eᵢⱼ 1UAV uᵢ 与 USV sⱼ 间链路存在则 uᵢ 可直接接入锚节点UAV-UAV 链路若 eᵢⱼ 1UAV uᵢ 与 UAV uⱼ 间链路存在则两架UAV属于同一个连通分量连通分量规则若某连通分量中至少存在一架UAV可直接接入某USV则该分量内所有UAV均可通过多跳中继接入锚节点网络aᵢ 1。USV间通信所有USV之间默认全时全联通水面视距条件良好且USV间距通常在通信范围内。连通分量分析采用广度优先搜索BFS在UAV邻接矩阵上执行时间复杂度 O(Nu²)在当前集群规模Nu ≤ 10下计算开销可忽略。五、通信硬约束设计通信硬约束是本模型区别于原算法的最关键创新。原算法将通信质量作为评分函数中的一个加权项commQualityWeight × relayScore commLosWeight × losScore本质上是一种软建议——UAV在决策时可以选择牺牲通信来追求更高的覆盖率。这在通信条件恶劣的地形环境下可能导致某些UAV长时间失联无法回传搜索信息甚至无法接收任务更新指令。本模型将通信从优化目标升级为硬约束嵌入路径规划的候选动作筛选环节。共设计两条硬约束5.1 基本通信服务率约束在整个任务时段内每架UAV接入基本通信网络的时间比例不得低于给定阈值。该约束确保UAV不会为了追求覆盖率而长期脱离通信网络。数学表述为(1/K) · Σ_{k1}^{K} aᵢ^B(k) ≥ η_B^{min}, ∀ i ∈ U((12))其中aᵢ^B(k) ∈ {0, 1}UAV i 在时刻 k 的基本通信服务接入状态K任务总时步数η_B^{min}基本通信服务率最低阈值建议值 0.85。η_B^{min} 0.85 的含义是在任务全过程中每架UAV至少有85%的时间能够通过某种方式直接LoS、经NLoS中继、或多跳接入锚节点网络。剩余的15%时间允许因地形遮挡等原因暂时失联但这一比例受到严格控制。5.2 最大连续断连时长约束基本通信服务率约束保证了长期平均水平但不能防止长时间连续失联的极端情况。例如一架UAV在任务前半段始终在线、后半段完全失联其平均服务率可能仍然达标但连续失联期间可能错过关键搜索发现或遭遇安全风险。因此增设第二道约束τᵢ^{out} max{连续 aᵢ^B(k) 0 的步数} ≤ τ_{max}, ∀ i ∈ U((13))其中τᵢ^{out}UAV i 在整个任务中的最大连续断连步数τ_{max}最大允许连续断连步数建议值 30 步对应 300 秒以 dt 10 s 计。τ_{max} 30 步300秒的设计考虑了以下因素1搜索任务的传感器数据回传需求——UAV每30步5分钟内应至少回传一次搜索进度2安全性——指挥中心需要定期确认UAV状态3UAV飞行速度 20 m/s300秒可飞行 6 km——在通信半径 3.5 km 的海域环境中这给了UAV足够的时间和空间从遮挡区域飞出并重建通信链路。5.3 约束的算法集成方式通信硬约束在路径规划的候选动作评估阶段执行。集成方式采用自适应硬过滤策略步骤一硬过滤在 selectBestAction() 函数中对每个候选动作候选航向角预估执行该动作后UAV的位置然后调用 buildUAVRelayGraph() 更新通信图检查是否满足约束(12)和(13)。不满足的候选动作标记为不可行评分 -Inf从候选集中排除。步骤二自适应降级若所有候选动作均不满足硬约束极少数地形极端恶劣情况下可能出现则临时放宽τ_{max} 如扩大50%重新筛选。若仍无可行解进一步放宽 η_B^{min}。记录每次约束放宽为约束违反事件作为事后通信评价的一项统计。步骤三正常评分对通过约束筛选的候选动作按正常评分函数计算综合得分覆盖率增益 熵增益 信息素引导 通信软项 空间分布项选出最优动作。该自适应策略兼顾了约束的严格性和算法的鲁棒性——在绝大多数情况下严格遵守通信约束在极端地形下确保算法不因无解而卡死并将约束违反记录下来供事后分析。六、通信评价指标体系6.1 指标总览通信评价指标在仿真结束后统计不参与在线路径规划决策用于全面评估通信效果。共设计8项指标覆盖服务可用性、链路质量、路径质量、网络鲁棒性和极端行为五个维度。维度指标名称定义期望范围服务可用性1. 基本通信服务率 η_BUAV平均接入G^B的时间比例∈ [0, 1]越高越好服务可用性2. LoS通信服务率 η_LUAV平均接入G^L的时间比例∈ [0, 1]核心指标链路质量3. 平均LoS链路比 ρ_LoS所有链路中LoS链路占比∈ [0, 1]越高越好链路质量4. 平均SINR γ̄活跃链路的SINR均值dB≥ γ_th 10 dB链路质量5. 平均数据率 R̄活跃链路的Shannon容量均值≥ R_min 100 kbps路径质量6. 最优接入路径质量 Q̄端到端最弱链路质量考虑多跳∈ [0, 1]网络鲁棒性7. 平均代数连通度 λ̄₂图Laplacian的Fiedler特征值≥ 00即连通极端行为8. 最大连续断连时长 τ_out^max所有UAV中最长的连续失联步数≤ τ_max 30步6.2 指标详解指标1基本通信服务率 η_Bη_B (1 / (N_u · K)) · Σ_{i1}^{N_u} Σ_{k1}^{K} aᵢ^B(k)((14))含义任务全过程中所有UAV接入基本通信网络G^B的平均时间比例。该指标反映通信的底线保障水平。当 η_B ≥ η_B^{min} 0.85 时硬约束(12)得以满足。若 η_B 0.85说明硬约束在自适应降级过程中被触发需结合约束违反记录分析原因。指标2LoS通信服务率 η_L核心指标η_L (1 / (N_u · K)) · Σ_{i1}^{N_u} Σ_{k1}^{K} aᵢ^L(k)((15))含义UAV通过LoS优质链路G^L接入锚节点的平均时间比例。与 η_B 不同η_L 仅统计端到端全程LoS的链路——即从UAV到USV的整条多跳路径中每一跳都是LoS链路。η_L 是本研究的核心通信品质指标直接反映地形遮挡对高质量通信的影响程度。η_L 不作为硬约束仅作参考指标因为某些任务阶段如UAV飞越山体上空时可能不可避免地出现短时NLoS只要 G^B 保持连通即可保障基本通信。指标3平均LoS链路比 ρ_LoSρ_LoS (1/K) · Σ_{k1}^{K} [ Σ_{(i,j)} eᵢⱼ^L(k) / Σ_{(i,j)} eᵢⱼ^B(k) ]((16))含义所有活跃的基本链路中具备LoS条件的链路所占比例。与 η_L端到端视角不同ρ_LoS 是单跳链路视角的统计量。两者结合分析ρ_LoS 高但 η_L 低说明LoS链路存在但未能串联成端到端LoS路径多跳中的某一跳为NLoS两者均高说明地形对通信的整体影响较小。指标4平均SINR γ̄γ̄_lin (1 / Σ_{k} |E^B(k)|) · Σ_{k1}^{K} Σ_{(i,j)∈E^B(k)} γᵢⱼ(k)((17))γ̄_dB 10 · log₁₀(γ̄_lin)((18))含义所有时刻所有活跃的基本链路的SINR算术平均分别以线性值和dB值报告。γ̄_dB 的预期值在 LoS 主导时约为 15-25 dB在 NLoS 主导时约为 5-15 dB。若 γ̄_dB 持续低于 γ_th 10 dB说明当前通信参数配置发射功率、带宽不足以支撑可靠通信需调整硬件参数或缩小任务区域。指标5平均数据率 R̄R̄ (1 / Σ_{k} |E^B(k)|) · Σ_{k1}^{K} Σ_{(i,j)∈E^B(k)} B · log₂(1 γᵢⱼ(k))((19))含义所有活跃链路Shannon容量的加权平均。R̄ 反映通信网络的总信息传输能力单位为 bps。R̄ R_min 100 kbps 表明有充足的带宽余量R̄ 接近 R_min 表明通信带宽紧张可能存在信息回传瓶颈。指标6最优接入路径质量 Q̄Q̄ (1 / (N_u · K)) · Σ_{i1}^{N_u} Σ_{k1}^{K} Qᵢ^*(k)((20))其中 Qᵢ^*(k) 为UAV i 在时刻 k 到最近锚节点的最优路径质量采用Dijkstra最短路径算法计算边权重定义为每跳链路质量的复合函数q_mn(k) w_γ · (γ_mn/γ_th) w_R · (R_mn/R_min) w_L · LoS_mn((21))Qᵢ^*(k) 取路径上所有边 q_mn 的最小值瓶颈链路原则一条多跳路径的端到端质量由最差的那一跳决定。权重建议 w_γ 0.4, w_R 0.3, w_L 0.3。Q̄ ∈ [0, ~3]值越大说明网络提供的端到端通信服务越好。指标7平均代数连通度 λ̄₂λ̄₂ (1/K) · Σ_{k1}^{K} λ₂(L^B(k))((22))其中 L^B(k) D^B(k) − A^B(k) 为 G^B(k) 的图Laplacian矩阵D 为度矩阵A 为邻接矩阵。λ₂(L) 是Laplacian的第二小特征值Fiedler特征值是图连通性的谱度量。λ₂ 0 ⇔ 图连通λ₂ 越大 ⇔ 网络对边移除的鲁棒性越强。λ̄₂ 提供了比是否连通更丰富的网络鲁棒性信息——两幅图可能都连通但 λ₂ 更大的那幅图在部分链路失效时更不易分裂。指标8最大连续断连时长 τ_out^maxτ_out^{max} max_{i ∈ U} τᵢ^{out}((23))含义所有UAV中最长的一次连续失联步数。τ_out^{max} 捕捉的是极端失联行为是对平均指标 η_B 的补充——η_B 可能达标但 τ_out^{max} 过大的情况长时间在线 短时间严重失联需要被单独识别和关注。当 τ_out^{max} τ_max 30 步时说明硬约束在自适应降级时被突破。七、推荐参数配置以下汇总本通信能力模型涉及的所有参数及其推荐值。参数分为三级核心物理参数需根据实际硬件标定、模型配置参数建议使用推荐值可调整、算法集成参数影响路径规划行为需根据任务需求设定。7.1 物理层信道参数参数含义推荐值依据/说明f_c载波频率2.4 GHz常见ISM频段λ载波波长0.125 mc / f_cPₜ发射功率500 mW (27 dBm)Kopeikin MIT (2012)B通信带宽1 MHzKopeikin MIT (2012)N₀噪声功率谱密度10⁻¹⁰ W/HzKopeikin MIT (2012)Gₜ, Gᵣ天线增益0 dBi全向天线保守假设d₀参考距离5 mKopeikin MIT (2012)α_LLoS路径损耗指数2.0自由空间传播α_NNLoS路径损耗指数3.5典型遮挡环境κ地形损耗系数0.5 dB/m可调反映遮挡严重程度7.2 通信判定阈值参数含义推荐值说明γ_thSINR阈值10 dB典型数据链路解调门限R_min最小数据率100 kbps支持遥测 低分辨率图像D_max最大通信距离3.5 km当前算法通信半径与硬件一致h_marginLoS净空余量含Fresnel25-35 m原值15m Fresnel余量10-20mη_B^{min}基本服务率最低阈值0.85硬约束(12)的参数τ_max最大连续断连步数30步 (300 s)硬约束(13)的参数7.3 指标计算权重参数含义推荐值说明w_γ路径质量中的SINR权重0.4公式(21)w_R路径质量中的数据率权重0.3公式(21)w_L路径质量中的LoS权重0.3公式(21)commQualityWeight评分函数中的中继质量权重36保持原值commLosWeight评分函数中的LoS比例权重18保持原值八、在协同路径规划中的作用本节阐述通信能力模型如何嵌入到已有的协同搜索路径规划框架中以及各部分之间的数据流关系。理解这一部分有助于在代码实现时准确把握各模块的接口和调用时序。8.1 决策评分函数在路径规划的每一步每架UAV评估多个候选航向角±45°, ±30°, ±15°, 0°对每个候选位置计算综合评分。新的评分函数结构为第一步约束过滤新增对候选位置预估通信图→ 检查约束(12)(13) → 不满足则 score -Inf排除第二步综合评分保持原有框架微调权重Score λ_C · CovGain λ_H · EntropyGain λ_A · AttractGain − λ_R · RepeatCost 25·λ_F · FrontierGain 36 · RelayScore 18 · LoSScore 22 · SpreadScore 8 · SmoothScore BoundaryTerm − SlopePenalty其中λ_C, λ_H, λ_A, λ_R, λ_F 为动态权重随覆盖率进度自动调节保持原有调度策略不变RelayScore metrics.meanDirectQuality基于SINR的链路平均质量替代原距离衰减公式LoSScore metrics.losRatioLoS链路比例含义不变但底层LoS判定含Fresnel余量其余项SpreadScore, SmoothScore, BoundaryTerm, SlopePenalty保持原有定义。与原评分函数的关键区别在于1RelayScore 和 LoSScore 的计算基底从纯几何距离模型升级为SINR物理模型2评分之前增加了约束过滤步骤通信从加分项变为准入条件 加分项。8.2 信息融合机制USV作为移动通信锚节点负责汇聚和分发集群的搜索信息。信息融合周期为每 commUpdateEvery 3 步即每30秒执行一次。融合流程在通信硬约束保障下运行步骤1 — 构建通信图调用 buildUAVRelayGraph() → 计算所有链路的SINR/LoS → 构建 G^B 和 G^L → 判定每架UAV的服务接入状态 aᵢ^B 和 aᵢ^L。步骤2 — USV全局信息融合所有USV之间的通信默认全联通水面视距条件良好在USV层面完成全局覆盖地图、熵地图、信息素地图的融合。步骤3 — UAV-锚节点信息同步对于 aᵢ^B(k) 1 的UAV通过 G^B 连通到某USV将其本地搜索信息上传至USV网络同时从USV网络下载全局融合信息更新本地认知地图。步骤4 — 跨UAV信息传递对于 aᵢ^B(k) 0 的UAV断连其本地信息无法上传其认知地图也无法更新保持上次连通时的状态。当该UAV重新接入网络时一次性同步断连期间积累的本地搜索信息和接收全局更新。在通信硬约束(12)(13)的保障下步骤4中的断连状态在大多数时候不会持续过长τ ≤ τ_max因此信息同步的延迟被控制在可接受范围内。⛳️ 运行结果 部分代码function params applyStructOverrides(params, overrides)% applyStructOverrides 将配置结构体字段覆盖到 params。names fieldnames(overrides);for i 1:numel(names)key names{i};val overrides.(key);if isempty(val)if strcmp(key, maxTime) isfield(overrides, maxSteps)params.maxTime params.dt * overrides.maxSteps;endelseparams.(key) val;endendif isfield(overrides, maxSteps) ~isempty(overrides.maxSteps)params.maxSteps overrides.maxSteps;params.maxTime params.dt * params.maxSteps;endend 参考文献更多创新智能优化算法模型和应用场景可扫描关注机器学习/深度学习类BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~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、变压器故障诊断组合预测类CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可可任意搭配非常新颖~分解类EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~路径规划类旅行商问题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、公交车时间调度、水库调度优化、多式联运优化等等~小众优化类生产调度、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、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、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、电/冷/热负荷预测、电力设备故障诊断、电池管理系统BMSSOC/SOH估算粒子滤波/卡尔曼滤波、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进扰动观察法/电导增量法、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度虚拟电厂能源消纳风光出力控制策略多目标优化博弈能源调度鲁棒优化等等均可~ 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、电/冷/热负荷预测、电力设备故障诊断、电池管理系统BMSSOC/SOH估算粒子滤波/卡尔曼滤波、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进扰动观察法/电导增量法、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度虚拟电厂能源消纳风光出力控制策略多目标优化博弈能源调度鲁棒优化原创改进优化算法适合需要创新的同学原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可保证测试函数效果一般可直接核心