✅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（DEM）H(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（NLoS，Non-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（USV）：
aᵢ^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 G（G^B 或 G^L）：
- UAV-USV 链路：若 eᵢⱼ = 1（UAV 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 = 1（UAV 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_{k=1}^{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；（3）UAV飞行速度 20 m/s，300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_B | UAV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_L | UAV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 | ≥ 0（>0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_B
η_B = (1 / (N_u · K)) · Σ_{i=1}^{N_u} Σ_{k=1}^{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2：LoS通信服务率 η_L（核心指标）
η_L = (1 / (N_u · K)) · Σ_{i=1}^{N_u} Σ_{k=1}^{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_LoS
ρ_LoS = (1/K) · Σ_{k=1}^{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 γ̄
γ̄_lin = (1 / Σ_{k} |E^B(k)|) · Σ_{k=1}^{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 R̄
R̄ = (1 / Σ_{k} |E^B(k)|) · Σ_{k=1}^{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 Q̄
Q̄ = (1 / (N_u · K)) · Σ_{i=1}^{N_u} Σ_{k=1}^{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 λ̄₂
λ̄₂ = (1/K) · Σ_{k=1}^{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^max
τ_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 m | c / f_c |
Pₜ | 发射功率 | 500 mW (27 dBm) | Kopeikin MIT (2012) |
B | 通信带宽 | 1 MHz | Kopeikin MIT (2012) |
N₀ | 噪声功率谱密度 | 10⁻¹⁰ W/Hz | Kopeikin MIT (2012) |
Gₜ, Gᵣ | 天线增益 | 0 dBi | 全向天线，保守假设 |
d₀ | 参考距离 | 5 m | Kopeikin MIT (2012) |
α_L | LoS路径损耗指数 | 2.0 | 自由空间传播 |
α_N | NLoS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_th | SINR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_margin | LoS净空余量（含Fresnel） | 25-35 m | 原值15m + Fresnel余量10-20m |
η_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.losRatio（LoS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：（1）RelayScore 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;
end
else
params.(key) = val;
end
end
if isfield(overrides, 'maxSteps') && ~isempty(overrides.maxSteps)
params.maxSteps = overrides.maxSteps;
params.maxTime = params.dt * params.maxSteps;
end
end
🔗 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（BMS）SOC/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（BMS）SOC/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
