（7）禁忌搜索算法（TabuSearch，TS）[15]：该算法是局部邻域搜索算法的推广，是人工智能在组合优化算法中一个成功应用。其特点是采用禁忌技术，禁忌即禁止重复前面的工作。为回避局部邻域搜索陷入局部最优的主要不足，禁忌搜索算法用一个禁忌表记录已经到达过的局部最优点，在下一次搜索中，利用禁忌表中的信息不再或有选择的搜索这些点，从而跳出局部最优点。

禁忌搜索算法在搜索过程中可以接收劣解，具有较强的“爬山”能力。另外，新解不是在当前解的邻域中随机产生，而是优于“bestsofar”的解，或是非禁忌的最佳解，因此选取优良解的概率远大于其他解。

随着作业搜索任务的繁重，任务复杂度的提高,单机器人因低效性很难完成搜索任务，尤其是对于具有时效性的多任务，单个机器人根本无法实现，需要多机器人协同进行搜索。以下是针对多机器人的部分目标搜索算法：

（1）整数线性规划算法[16]：指通过均匀分布的代理团队解决离散静态开环搜索路径规划问题。基于线性规划CPLEX（WebSphereILOGCPLEX）优化过程把精确的新问题公式化,初始网络模型和一个近似解问题的程序结合起来，通常通过启发式方法有效地计算算法最优解。第一次最优解的上界估计值可以用于收敛或通过分析目标性能来比较和权衡搜索效率和时间。但缺点就是不适用闭环环境搜索和未考虑预期值和实际的环境信息反馈。

（2）随机搜索算法：该算法是一种基于行为规则的分布式自主机器人的合作随机搜索算法，由C。K。Cheng[17]提出。该算法是基于五个简单的规则，每个机器人都被假设有同样的能力和规则集。分布式结构使得机器人工作不需要中心控制或独立故障点。随着机器人数量的增多，系统性能也随之变好，但当机器人个数达到一定数量时，性能不会再有明显的改善。尽管此方法原理简单,易于实现，但它具有低效率与无规则性,因此不适用于复杂环境。

（3）在线学习法：V。Roberge[18]提出一种基于在线学习的构建搜索区域的环境地图。该搜索策略利用AUV在工作过程中的通过不断提高在线学习能力来提高效率，但在多AUV之间没有一个明确的协调机制，会造成AUV向同一个方向运动导致发生碰撞或引起一些AUV的传感区域重叠而造成浪费资源。论文网

（4）同步搜索算法：S。KYoon[19][20]提出了一种同步搜索算法，该算法就是让多AUV同时做S形搜索，然后在同步线上收发数据。该算法虽然在搜索时间和搜索距离上占优势，并提出了当AUV出现故障时，如何恢复故障的策略，但是该算法只能对搜集海洋数据有优势，对于搜索目标，则效果不大。

（5）遍历勘探法：M。M。Polycarpou[21]采用遍历勘探的方法进行连续线性搜索，他提出一种分布式代理团队合作搜索方法，该方法考虑两个或两个以上的移动代理在地理环境中合作搜索感兴趣的目标，移动代理通过配备传感器访问有限的环境区域,并能互相合作通信。开发合作搜索框架是基于两个相互依存的任务:一是环境在线学习和“搜索地图”形式信息的存储;二是搜索地图的利用和利用其他信息来计算在线搜索路径。虽然以上这些方法很简单,但只适合在静态环境中搜索而不是动态的。

（6）蚁群算法(antcolonyoptimization,ACO)：该算法又称蚂蚁算法，是一种在图中寻找优化路径的机率型算法，由MarcoDorigo[22]于1992年在他的博士论文中提出，他是从蚂蚁在寻找食物过程中发现路径的行为得到启发。该算法是一种模拟进化算法，初步研究表明该算法具有很多优良性质。例如在PID控制器参数优化设计问题上，分别将蚁群算法与遗传算法设计的结果进行比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。