【TWVRP】智能水滴算法带时间窗的车辆路径与调度优化问题【含Matlab源码 1228期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab路径规划（仿真科研站版）仿真内容点击👇
Matlab路径规划（仿真科研站版）

⛄一、智能水滴算法简介

1 概述
在大自然中，河道是由流动的水滴组成的巨大群体移动创造的，相对于水滴群体本身来说，它们流经的河道周围就是它们所处在的环境，而这个环境正在被水滴群体的流动方向剧烈的改变着，同时周围的环境也在影响着水滴群体的流向。例如，环境当中的坚便的巨石泥土阳碍水滴的流动，而柔软松弛的泥土对于河水的流动的阻力就要小得多，实际上，大自然中的河流样貌就是由丁水滴群体和周围环境长期相互作用的结果而形成的。
依据人们的常识，大自然当中大部分的河流水道都是曲曲折折的，然而河流中的水清并不是像人类一样依靠视觉才到湖中或是海里的，而是，水滴在地球重力的作用下不断向前流动的。我们都知道，地球重力的方向指向地心，所以如果周围环境当中没有障碍物的话，水滴应该会沿着重力的方向向地心运动：由于在地球重力的作用下的，水滴在流动的过程当中会获得一定的加速度，因此随着运动其速度也会慢慢地不断增大。但是，在现实情况下，并不存在这样理想的状态也不存在从水清源头到地心的理想直线路径，甚至由于障砖物的影响，水消运动的实际路径与理想路径是远远不同的，因此才会有今天我们看到的河流样貌.而经研究发现，水滴在移动情况下建立起米的河道是最优的。河流当中的水滴具有两种属性：其本身具有一定的速度和携带一定量的泥土。在这样的情况下，水滴在运动时，就能够将泥上从一个地方向搬运到另一个地方。据我们所知，泥土会被水流从速度较高的地方携带到水流速度较低的地方，原因是当水滴速度较高时其具有的动能较大，能够克服地球重力对其所抛带泥土的作用，当水流具有的速度较低时，水滴携带的泥土会在地球重力的作用在水滴行进的路径中沉积下来。由于这个原因，泥土就会在水流速度较高的区域被搬移的越来越多，河道相应变得越来越深，也就吸引了越来越多的水流流向此处，进而可以容纳更多的水，同时水滴携带的泥土会在水流速度变慢时由于地球重力的作用
卸下来并沉积在河床上。
当一个水滴在河流中从一个地方流动另一个地方时，水滴具有的速度、水滴携带的泥土量、两个地方之间的泥土量三者都会发生明显的变化：
1)水滴流动时具有的速度会越来越大；
2)水滴携带的泥土量会越来越多：
3)位于这两点之间的河床上的泥土量会越来越少。

事实上，正如前文所描述，水清在从一个地方移动另一个地方的过程中会从河床上携带走一定量的泥土，河道上的泥土量会越来越少相应地水滴木身携带的泥土量会越来越多。在这个移动的过程中，水滴流动时具有的速度也会不断的变化。速度较大的水滴在流动时会从河床上携带走更多的泥上，除此之外，由于水滴流动时具有速度的快慢还和它周用所处的环境有关，周围的环境对水滴的移动起着阻碍的作用，所以当周围的泥土量较大时，水清在此段路径上流动时速度增长的就会越慢，当周围环境的泥土最较少时，水滴在此段路径上获得的速度就相应的会越来越快，向前流动就会更加容易：内此我们得到自然界中移动时的水滴具备以下属性：
1)流动速度高的水滴比流动速度低的水滴在路径中移动时能够携带走更多的泥土：
2)水滴能够在泥土量较小的路径中获取的速度增量大于比在泥土最较多的路径中获取的速度增量：
3)水滴在选择路径流动时会以较大的可能性朝着泥土量较少的路径移动.
3 智能水滴算法的基本原理
前文已经介绍了大自然中水滴具有某些典型的特点，根据上文中描述的这些特性， 根据人们的想象， 可以虚拟建立人工模型， 称为智能水滴(IWD) ， 它具备两个重要的属性：我们一般用soil(IWD) 表示水滴木身携带的泥土量， 用veloci tv(/WD) 表示水清向前流动时本身具有的速度口，在工程问题巾，智能水滴流动时周围的环境就代表着我们需要解决的工程问题，而由于相互作用智能水滴寻找的最短路径就是我们解决工程问题找到的最优路径， 在子找最优路径的过程中， 智能水滴具有的两项重要属性即soil(JWD) 和
velocity(IWD) 是不断变化的。
我们假设某些智能水滴在某种环境下流动，从始点流向某个终点，在这种情况下，从始点到达终点的路径可能不止一条.这里所指的环境就是实践当中我们需要解决的工程类问题，可以分为两种问题：
其一：在终点已知的情况下，解决此类问题需要按照某个标准(一般情况下是距离)从始点到终点找到最佳路径.
其二：在终点的位置事先不知道的情况下，解决此类问题需要按照代价或者其他标准找到终点最优的位置。

⛄二、部分源代码

clear all;
clc;
format short g;
global D;
global q;
global q1;
global ss;
global E;
global L;
global ELL;
% test=xlsread(‘test.xlsx’,1);
%
% position=test(:,2:3);

% data=[
% 100 100 0 0 0 40
% 60 100 10 0.2 0 3
% 20 110 15 0.3 0 4
% 160 150 21 0.3 1 6
% 160 110 16 0.4 0 4
% 30 20 25 0.3 1 4
% 100 60 22 0.2 0 6
% 100 170 15 0.1 0 5
% 30 10 12 0.4 0 6
% 60 50 15 0.3 1 7
% 160 160 20 0.2 0 6
% 50 140 23 0.3 0 6];
position=[18.70 15.29
16.47 8.45
20.07 10.14
19.39 13.37
25.27 14.24
22.00 10.04
25.47 17.02
15.79 15.10
16.60 12.38
14.05 18.12
17.53 17.38
23.52 13.45
19.41 18.13
22.11 12.51
11.25 11.04
14.17 9.76
24.00 19.89
12.21 14.50];
% 配送中心及各个需求点之间的距离矩阵D
D=squareform(pdist(position(:,1:2),‘euclidean’));
% 车辆的单位行驶成本: h
% 动用每辆车的固定成本：R.
% 车辆的行驶速度v;
% 车辆的最大装载量 Qmax。
h=1;R=10;v=1;Qmax=200;epsilon=0.001;
R0=2;R1=0.8;
% 车辆在配送中心及各个需求点之间行驶的时间矩阵 T
T=D/v;

% 最大迭代次数
Iter=30;
% 水滴个数N
N=size(position,1);
% 速度更新参数：
av=1;bv=0.01;cv=1;
% 泥土量更新参数：
as=1;bs=0.01;cs=1;
% 局部泥土更新权系数
alpha=0.9;
% 全局泥土更新权系数
beta=0.9;
% 任意两点间的初始泥土量 Initsoil
Initsoil=1000;
% 初始泥土量矩阵W ???
W=ones(N)*1000;
% 每个水滴的初始速度InitVel；
% InitVel=100;
InitVel=randperm(100,1);
% 全局最优目标函数值
TotalZ=1000000;
% 全局最优路径
TotalRoute=[];
% 主程序
t=0;
WaterDrop(1,N)=struct(‘SW’,[],… % 水滴对应的初始泥土量矩阵
‘Source’,[],… % 水滴的出发点为1; 即配送中心
‘Target’,[],… %
‘VisitNode’,[],… % 已访问过的点序列 (访问路径)
‘UnvisitNode’,[],… % 未访问过的点的集合
‘Vel’,[],… % 水滴的初始速度
‘Soil’,[],… % 水滴携带的初始泥土量
‘Q’,[],… % 水滴出发时的装载量
‘S’,[],… % 水滴到达source(k)点的时刻
‘ZZ’,[],… %水滴对应的目标函数初始值
‘FK’,[]); % 从source(k)出发可以去的下一个需求点的集合 FV
% q=test(:,4); % 每个需求点的需求量
% q1=TestData(:,5);
q=[0 6 5 11 6 3 8 5 6 4 5 7 6 10 9 4 7 8 ]‘;
% q1=[0 3.6 2 4.6 3.6 2.4 4.8 3 3.6 2.4 3 4.2 3.6 4 5.4 2.6 2.4 3]’;
% ss=test(:,7); % 每个需求点的服务时间
ss=[0 1.8 1.0 2.3 1.8 1.2 2.4 1.5 1.8 1.2 1.5 2.1 1.8 2.0 2.7 1.3 1.2 1.5]‘;
E=[0 5.0 4 1 2.0 5 2 1 3 1 2 2.0 2 3 2 3 2 1]’;
L=[40 20 15 20 20 15 18 24 27 20 16 20 10 25 28 24.0 20 23]';
%
% E=test(:,5); % 每个需求点的时间窗下限
% L=test(:,6); % 每个需求点的时间窗上限
ELL=L-E;
% EP=test(:,8);
% LP=test(:,9);
I=1:N;
while t < Iter
clc
fprintf(‘第%d次进化\n’,t+1) ;
% 设置初始动态变量：
% 本次迭代的最优目标函数值
Z=1000000;
% 本次迭代的最优路径
Route=[];
for k=1:N
WaterDrop(k).SW=W;
WaterDrop(k).Source=1;
WaterDrop(k).VisitNode=[1];
WaterDrop(k).UnvisitNode=I;
WaterDrop(k).Vel= InitVel;
% 水滴携带的初始泥土量
WaterDrop(k).Soil=0;
% 水滴出发时的装载量
WaterDrop(k).Q(WaterDrop(k).Source)=0;
% 水滴到达source(k)点的时刻；
WaterDrop(k).S(WaterDrop(k).Source)=0;
% 第k个水滴对应的目标函数初始值
WaterDrop(k).ZZ=0;
end
for k=1:N
while WaterDrop(k).Source~=1 || ~isequal(WaterDrop(k).UnvisitNode,[1])
WaterDrop(k).FK=[];
if WaterDrop(k).Source==1
alt=2;
else
alt=1;
end
for i=alt:length(WaterDrop(k).UnvisitNode)

               WaterDrop(k).Q(WaterDrop(k).UnvisitNode(i))=WaterDrop(k).Q(WaterDrop(k).Source)+q(WaterDrop(k).UnvisitNode(i));
               % 判断i点的载重量是否小于车辆最大载重且到达i点的时间是否在i点所要求的时间窗内
                if WaterDrop(k).Q(WaterDrop(k).UnvisitNode(i))<Qmax; 
                    WaterDrop(k).FK=[WaterDrop(k).FK,WaterDrop(k).UnvisitNode(i)];
                end
        end            

% for i=alt:N
% if ismember(i,WaterDrop(k).UnvisitNode)
% % if sum(ismember(WaterDrop(k).UnvisitNode,i))
% WaterDrop(k).Q(i)=WaterDrop(k).Q(WaterDrop(k).Source)+q(i);
% WaterDrop(k).S(i)=WaterDrop(k).S(WaterDrop(k).Source)+ss(WaterDrop(k).Source)+T(WaterDrop(k).Source,i);
% % 判断i点的载重量是否小于车辆最大载重且到达i点的时间是否在i点所要求的时间窗内
% if WaterDrop(k).Q(i)<Qmax && WaterDrop(k).S(i)>=E(i) && WaterDrop(k).S(i)<=L(i)
% WaterDrop(k).FK=[WaterDrop(k).FK,i];
% end
% end
% end
if isempty(WaterDrop(k).FK)
WaterDrop(k).Target=1;
else
% 计算去下一个可以服务的需求点的概率
% 判断从source(k)到下一个可以服务的需求点的路径上泥土量的最小值是否小于0
Minsoil=0;
for u=1:length(WaterDrop(k).FK)
if WaterDrop(k).SW(WaterDrop(k).Source,WaterDrop(k).FK(u))<Minsoil
Minsoil=WaterDrop(k).SW(WaterDrop(k).Source,WaterDrop(k).FK(u));
end
end
% 求下一个可以服务需求点对应的函数f之和（可以增加改进，调整节点选择概率）
SumF=0;
for u=1:length(WaterDrop(k).FK)
g(WaterDrop(k).Source,WaterDrop(k).FK(u))=WaterDrop(k).SW(WaterDrop(k).Source,WaterDrop(k).FK(u))-Minsoil;
f(WaterDrop(k).Source,WaterDrop(k).FK(u))=1/(0.01+g(WaterDrop(k).Source,WaterDrop(k).FK(u)));
SumF=SumF+f(WaterDrop(k).Source,WaterDrop(k).FK(u));
end

             % 求可以服务需求点对应的概率
             P=[];
             U=[];
             for u=1:length(WaterDrop(k).FK)
                 P=[P,f(WaterDrop(k).Source,WaterDrop(k).FK(u))/SumF];
                 U=[U,WaterDrop(k).FK(u)];
             end
             % 按照概率P(source(k),u), 用轮盘赌法从FV(k) 集合中随机选择一个点
            WaterDrop(k).Target=U(RoutedGame(P));          
        end
        % 更新水滴的速度
        WaterDrop(k).Vel=WaterDrop(k).Vel+av/(bv+cv*WaterDrop(k).SW(WaterDrop(k).Source,WaterDrop(k).Target)^2);
        Maxtime=max(epsilon,WaterDrop(k).Vel);
        % 计算水滴流动到目标点需要的时间
        TT(WaterDrop(k).Source,WaterDrop(k).Target)=D(WaterDrop(k).Source,WaterDrop(k).Target)/Maxtime;
        % 计算水滴携带泥土的增量
        DeltaSW(WaterDrop(k).Source,WaterDrop(k).Target)= as/(bs+cs*TT(WaterDrop(k).Source,WaterDrop(k).Target)^2);
        % 更新水滴流过的路径上的泥土量
        WaterDrop(k).SW(WaterDrop(k).Source,WaterDrop(k).Target)=...
            (1-alpha)*WaterDrop(k).SW(WaterDrop(k).Source,WaterDrop(k).Target)-alpha*DeltaSW(WaterDrop(k).Source,WaterDrop(k).Target);
        % 更新水滴携带的泥土量
        WaterDrop(k).Soil=WaterDrop(k).Soil+DeltaSW(WaterDrop(k).Source,WaterDrop(k).Target);

% %早到晚到惩罚系数
% cfe1=0;
% cfe2=0;
% cfe0=0;
WaterDrop(k).S(WaterDrop(k).Target)=WaterDrop(k).S(WaterDrop(k).Source)+ss(WaterDrop(k).Source)+T(WaterDrop(k).Source,WaterDrop(k).Target);
% if WaterDrop(k).S(WaterDrop(k).Target)<E
% cfe1=EP(WaterDrop(k).Target)abs(E-WaterDrop(k).Target);
% elseif WaterDrop(k).S(WaterDrop(k).Target)>L
% cfe1=LP(WaterDrop(k).Target)abs(WaterDrop(k).Target-L);
% end
% cfe0=cfe1+cfe2;
if WaterDrop(k).Target==1
% （有序集合）配送车辆返回配送中心
WaterDrop(k).VisitNode=[WaterDrop(k).VisitNode,WaterDrop(k).Target];
% 目标函数中增加动用一辆车的固定成本（表示形成了一辆车的回路）
WaterDrop(k).ZZ=WaterDrop(k).ZZ+hD(WaterDrop(k).Source,WaterDrop(k).Target)+D(WaterDrop(k).Source,WaterDrop(k).Target)(R0+R1*(q(WaterDrop(k).Target)))+R;
WaterDrop(k).Source=WaterDrop(k).Target;
WaterDrop(k).Q(WaterDrop(k).Source)=0;
WaterDrop(k).S(WaterDrop(k).Source)=0;
else
% 访问Target(k)点，已访问点增加1个
WaterDrop(k).VisitNode=[WaterDrop(k).VisitNode,WaterDrop(k).Target];
% 未访问点减少一个
WaterDrop(k).UnvisitNode(WaterDrop(k).UnvisitNode==WaterDrop(k).Target)=[]; %%%%%？？？？？
% 目标函数只增加车辆运行成本
WaterDrop(k).ZZ=WaterDrop(k).ZZ+hD(WaterDrop(k).Source,WaterDrop(k).Target)+D(WaterDrop(k).Source,WaterDrop(k).Target)(R0+R1*(q(WaterDrop(k).Target)));
% 计算第k辆车到达下一个点时的装载量
WaterDrop(k).Q(WaterDrop(k).Target)=WaterDrop(k).Q(WaterDrop(k).Source)+q(WaterDrop(k).Target);
% 计算第k辆车到达下一个点的时刻
WaterDrop(k).S(WaterDrop(k).Target)=WaterDrop(k).S(WaterDrop(k).Source)+…
ss(WaterDrop(k).Source)+T(WaterDrop(k).Source,WaterDrop(k).Target);
% 将下一个点作为出发点
WaterDrop(k).Source=WaterDrop(k).Target;
end
%如果第k个水滴的路径已经完成（即所有需求点都被服务完毕）
end
if WaterDrop(k).ZZ<Z
Z=WaterDrop(k).ZZ;
Route=WaterDrop(k).VisitNode;
Soil=WaterDrop(k).Soil;
end

end
% 对本次循环得到的最优解对应的路径Route上的泥土量进行更新
M=size(Route,2);
% 路径以外的边上泥土量不变。
for i=1:M-1
    W(Route(i),Route(i+1))=(1+beta)* W(Route(i),Route(i+1))-beta*Soil/(M-1);
end

%更新迭代次数
t=t+1;

end
TotalZ
TotalRoute
LL
DrawPath(TotalRoute,position);
%迭代图
figure
x=1:1:Iter;
y=bestZ;
plot(x,y,‘r–’)
%plot(x,y);
hold on
%plot(x,y1,‘r–’);%适应值平均数
title(‘优化过程’)
xlabel(‘迭代次数’)
ylabel(‘最优适应值’)
axis([0,Iter,500,1200])

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李登峰,杨曦.基于改进智能水滴算法的移动机器人路径规划[J].计算机技术与发展. 2019,29(12)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置