动态环境中的机器人群需要在任务位置、任务需求和通信关系持续变化时完成协同分配，论文将问题建模为去中心化部分可观测马尔可夫决策过程（Dec-POMDP），提出局部信息聚合多智能体深度确定性策略梯度算法（LIA-MADDPG）。集中训练阶段，LIA模块只聚合与当前机器人空间邻近或动作同步的机器人信息，降低全局联合状态造成的维度爆炸；分布式执行阶段，策略改进机制根据任务容量和邻居冲突程度动态修正动作。

机器人操作任务（RMTs）通常需要学习较长的动作序列，以持续控制机械臂完成目标。现有强化学习方法面临两个瓶颈：原始动作空间过大导致探索低效，稀疏奖励下经验采样不足又容易引发灾难性遗忘。论文提出参数化动作原语进化强化学习（ERLAP），将分层强化学习（HRL）的动作原语库与进化算法的双种群机制结合起来。HRL负责选择原语类型并生成参数，EA把完整原语序列作为个体保存、筛选和进化，从而改善经验回放分布

三维未知环境中的多机器人覆盖搜索同时面临机器人间决策冲突、频繁转向与升降，以及搜索后期陷入局部死锁等问题。论文在 Glasius 仿生神经网络（GBNN）基础上提出改进 GBNN（IGBNN），将邻近机器人及其候选移动网格作为抑制输入，降低多个机器人同时选择同一网格风险；在决策函数中加入航向连续性和同层运动偏好，减少转向与垂直移动见个人简介。

多目标点路径规划问题可表述为：移动机器人需要遍历n个目标点，且每个目标仅被遍历一次，目的是求一条经过所有目标点的最短路径。为第i个目标点到第j个目标点 A* 算法所规划路径的实际距离。六边形栅格地图上移动可以看做。

本文介绍了一种基于极光现象的算法——极光优化算法(Polar Lights Optimizer, PLO)。极光是一种独特的自然奇观，当来自太阳风的高能粒子在地磁场和地球大气层的影响下汇聚在地球两极时，就会发生极光。PLO集成了旋转运动和极光椭圆步行，前者有助于局部开发，而后者则促进全局探索。通过这两种策略的协同结合，PLO实现了局部开发与全局探索的平衡。

蜣螂优化算法是一种群体智能优化算法，具有较强的优化能力和快速收敛性，但容易在优化过程后期陷入局部最优解。本文提出了一种量子计算和多策略混合的蜣螂优化算法（QHDBO），QHDBO通过佳点集初始化种群，动态平衡机制，量子t分布变异策略增强DBO算法，可以避免算法陷入局部最优解。

为：以起点作为初始节点，搜索初始节点旁 8 个邻域，并通过启发函数评估后选择代价最小的节点，然后搜索这个节点的 8 个邻域，选择下一个代价最小的节点，重复上述步骤，直到选择的节点与目标点重合，将这些代价最小的节点连接起来就得到一条最优路径。其中， f(n)为n节点的总代价值， g(n)代表从n节点到初始节点的最短路径代价值， h(n)代表从n节点到目标节点代价的估计值。A* 算法是一种基于传统图搜

Q-learning 算法使用 Q 值来表示在某个状态下采取某个动作所能获得的长期回报，通过不断地更新 Q 值，找到最优的Q 值和策略。巡检机器人需要对未知区域进行探索，这里采用A*进行全覆盖搜索，巡检机器人会标记待处理任务点区域，随后通过融合Q-learning-鲸鱼优化算法进行规划，从而对任务点进行故障维修处理。2.将已知状态下的 Q 值记录在 Q-table 中，Q-table 中查询当前状

Otsu 算法（最大类间方差法）设灰度图像有。个灰度级，各灰度级对应像素点个数为。扩展到多阈值时，使用一组给定的阈值。使上述最大值的一组阈值即为所求的阈值。

BP神经网络（Backpropagation Neural Network）是一种机器学习算法，其通过反向传播算法来训练网络，使其能够学习输入数据的模式并进行预测或分类任务。BP神经网络通常包括输入层、隐藏层和输出层，并使用反向传播算法来调整网络中的权重，以最小化预测结果与实际结果之间的误差。BP神经网络可以被归类为一种监督学习算法，用于解决各种机器学习问题，如回归、分类等。