为了克服差分进化算法寻优精度低、收敛速度慢、稳定性差等不足，提出一种基于多变异策略的自适应差分进化算法（ADE-MM）。首先，在3个变异策略的选择过程中添加2个具有学习功能的扰动阈值，以提高种群多样性，扩大搜索范围；然后，根据上次迭代的成功参数自适应调整当前参数，提高寻优精度和寻优速度；最后，利用向量粒子池法和中心粒子法产生新的向量粒子，进一步提高寻优效果。使用8个函数、5种对比算法（RMDE、OLCPDE、JADE、SaDE、MDE_pBX）进行测试，且每种例子都独立执行30次。ADE-MM算法在均值和方差的比较中取得了全胜，其中在30维的情况下取得了5个独立胜利，3个并列胜利；在50维的情况下取得了6个独立胜利，2个并列胜利；在100维的情况下全部为独立胜利。同时在Wilcoxon rank sum test、胜率和算法耗时分析中，ADE-MM算法也取得优异的表现。实验结果表明，相对于其他5种对比算法，ADE-MM算法具有更强的全局寻优能力、收敛性和稳定性。

针对灾难发生后,如何在有限的时间内救援最多被困者的问题,研究灾难发生后,由机器人代替救援人员,在被困人员生命强度不确定的情况下,规划救援路径,以期在有限的时间内救援最多的被困人员(目标点)。首先,考虑到灾难发生之前,每个目标点都有生命强度,且每个人由于不同因素的影响,生命强度的大小不同,不失一般性,将其设为一个区间;然后,考虑生命强度约束,救援人数作为目标函数,将其建立为一个与生命强度有关的区间函数;接着,采用改进的整数微粒群算法对上述目标函数进行求解,介绍了微粒的编码、解码方法和全局极值更新策略;最后,通过对不同场景下的仿真,验证所提算法的有效性。