本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

Jul, 2020

本文提出了一个新的方案，使用根据排序树的双射性生成无碰撞的最高效格子路径，在带有凸面和非凸面障碍物的导航场景中使用了十种最先进和相关的自然启发式群体智能算法进行计算研究，展示了实际可行性和效率。我们相信我们的方案可能在离散地图上设计快速算法进行规划和组合优化。

Sep, 2022

本文论述了如何使用基于强化学习的 Q-learning 算法来解决具有障碍物的环境下，多 UAV 自主控制的路径规划问题。实验表明，该系统在实现完全覆盖目标区域的同时，能够以较少的动作数节约路径长度和能源消耗。

Mar, 2023

本文章提出了一种基于 ROS 框架的混沌路径规划应用程序，该程序通过提供避障技术、混沌轨迹分散和准确覆盖计算等技术，解决了对于限制目标的自主搜索与遍历任务的三大关键问题，其性能可与传统最优路径规划器相媲美，并在多种大小、形状和障碍物密度的真实环境与 Gazebo 模拟中进行了测试。

May, 2023

本研究探讨在具有任意度数分布的随机不相关网络中的有偏随机游走过程，并推导了平稳占据概率和两个节点间的平均传输时间的精确表达式，同时探讨了循环搜索对传输时间的影响，为复杂网络上与运输相关问题的理论处理以及关键的数据包生成率的定量估计提供基础。

Sep, 2007

在这篇研究论文中，我们考虑了最近由 Banerjee 等人（2022）提出的预测图搜索问题。我们设计了一种算法来应对未知图上的搜索任务，并且在预测误差上提供了最优或接近最优的算法依赖关系的保证。此外，我们还提出了 Banerjee 等人（2022）算法在已知图上的性能边界，并为该情景建立了新的下界。

Feb, 2024

采用监督混合量子机器学习优化自然灾害期间汽车紧急疏散计划的潜力研究。研究聚焦于地震紧急情况，将问题建模为一个动态计算图，其中地震会破坏城市的某个区域，居民试图通过到达交通堵塞的出口点来撤离城市。该研究提出了一种新颖的混合监督学习方法，并在具体城市图上对假设情景进行了测试。该方法使用一种新型的量子特征线性调制（FiLM）神经网络，并行于经典 FiLM 网络，以模仿确定动态图上的 Dijkstra 最短路径算法，从而增加了整个模型的表达能力。混合监督学习代理根据 Dijkstra 最短路径的数据集进行训练，能够成功学习导航任务。量子部分相对于纯经典监督学习方法提高了 7% 的准确性，并且该网络在预测中有 45.3% 的重要贡献度，可以在基于离子的量子计算机上执行。结果显示，监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。

Jul, 2023

本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法，以逐步扩大路线系统并更新当前的操作员使用的知识，验证表明，考虑相关性的探索可以实现比贪婪选择更好的性能，在未来的研究中，该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。

May, 2023

移动用户通过众包平台学习和分享交通观察，然而这类平台仅迎合自私用户的短视利益以推荐最短路径，未鼓励足够多的用户为他人出行和学习其他路径。我们的研究通过人机交互式地分析用户如何学习和改变随机路径上的交通情况，证明了短视路由策略导致随机路径的严重未探索，造成高于 2 的社会成本。我们提出了一种信息隐藏和概率推荐机制，名为 CHAR，成功确保了低于 5/4 的 PoA，并证明了在更一般的线性路径图中 PoA 结果保持不变。我们的实验验证了 CHAR 在真实数据集上接近最优的性能。

Apr, 2024

该研究重新审视了 Lim＆Auer（2012）提出的增量自主探索问题，提出了一种新算法，并证明了该算法在控制状态数多项式增长时是几乎极小化的。

May, 2022