1.带约束的多目标无人机路径规划建模（路径平滑算子，可实现单/多架UAV路径规划）2.PlatEMO平台（代码基于PlatEMO 2.8.0）3.双层路径规划模型（静态-多目标优化+ 动态-DWA）4.多视图实验结果展示与HV、PD等数据结果对比

MATLABPYTHON目前，元启发式算法按其灵感来源可以分为：（i）群体启发，如粒子群PSO和灰狼优化算法GWO等；（ii）进化启发，如遗传算法GA和差分进化算法DE等；（iii）物理启发，如开普勒优化算法KOA和瞬态优化算法TSO等；（iv）人类启发，如人类行为优化算法HBBO和徒步旅行优化算法HOA等。

主要更新所有元启发式算法的共同点在于，其搜索过程可分为勘探和开发两个阶段。勘探阶段指算法对全局空间的搜索能力，决定了算法能否获得最优解；开发阶段指对局部空间的搜索能力，决定了算法获得最优解的速度。勘探和开发之间的平衡做的越好，算法的性能就越好。

回归拟合问题：分类问题：本文是作者的预测算法系列的开篇1，后续将陆续介绍RBF、GRNN、ELM、WNN、随机森林、投影行踪、GRU、LSTM等的算法原理及其实现和优化，欢迎关注不迷路。

去雾系统V3新增了基于深度学习的去雾算法，集成直方图均衡化、Retinex、MSR、MSRCR、暗通道先验、改进的暗通道、两种深度学习算法。

东华大学沈波教授团队在2022年提出蜣螂优化算法 (Dung Beetle Optimizer，DBO) [1]，该算法与PSO、GWO、WOA、SSA、SCA、MVO、HHO相比均显示出一定然而，它有其他SI算法存在的问题，如全局探索和局部开发能力不平衡、面对复杂问题的易陷入局部最优等，其收敛速度和精度仍有改进的可能。因此针对DBO存在的问题，KAU将对DBO进行改进。

去雾系统V3新增了基于深度学习的去雾算法，集成直方图均衡化、Retinex、MSR、MSRCR、暗通道先验、改进的暗通道、两种深度学习算法。

概述了matlab绘图函数中部分参数的设置，以及通过set修改图像的基本操作

主要更新CEC2005中的测试本文KAU将介绍一个2022年发表在中科院1区期刊KBS上的优化算法——白鲸优化算法(Beluga Whale Optimization，BWO)[1]该算法由大连理工大学学者Zhong等人[1]于2022年提出，其模拟了白鲸游泳、捕食和鲸落行为，与15种优化算法在30个基准函数和4个真实优化问题上进行测试，均显示出其惊艳的性能，目前也成功应用于机器学习、电力系统经济

本文是作者遗传算法系列之篇五，前面已经系统地讲解了遗传算法基本原理、简单应用以及一种改进方法在此基础上，本文将再次引入一种遗传算法的改进算法——量子遗传算法，下面将从理论原理、算法流程以及程序实现上进行详细展开。