智能优化算法论文适合投哪些期刊？遗传算法、粒子群、灰狼算法、鲸鱼算法投稿方向分析

数据复核日期：2026-06-02
影响因子口径：本文表格以 2025 年发布的 Journal Citation Reports / 出版社公开展示口径为初筛依据（对应 2024 JIF）
中科院分区口径：2025 年 3 月中科院期刊分区表升级版（公开查询平台口径，投稿前建议在单位数据库二次核验）
适用方向：遗传算法 GA、粒子群优化 PSO、蚁群算法 ACO、灰狼优化 GWO、鲸鱼优化 WOA、多目标优化、组合优化、路径规划、生产调度、特征选择、参数寻优、工程优化。
说明：智能优化方向期刊分区和 IF 变化较快，尤其是 1 区、Top、年度 JCR 与 2026 新锐分区容易被旧文混用。本文按上述口径整理，投稿前仍需以学校数据库、JCR、中科院分区表和期刊官网为准。

智能优化算法论文一直是数学建模、计算机、自动化、工业工程、管理科学和人工智能交叉方向里的热门选题。很多同学会做遗传算法、粒子群算法、蚁群算法、灰狼算法、鲸鱼算法、蜣螂优化、麻雀搜索、哈里斯鹰优化、蛇优化等算法改进，然后把它应用到路径规划、生产调度、车辆路径、特征选择、神经网络参数寻优或多目标优化问题中。

但是投稿时最容易出现的问题也很明显：算法名字很新，实验却不够扎实；论文写了很多公式，场景建模却很弱；只和几个基础算法对比，没有统计检验；甚至把某个期刊的旧分区、旧 IF 当成最新数据。尤其是智能优化方向，一些网络资料会把“一区好投”“高 IF 稳发”写得过于简单，实际投稿不能这样判断。

本文先给出期刊推荐表，再按论文类型和期刊定位分层解读，最后整理投稿前需要避开的常见误区。文中重点核验中科院分区、JCR、IF 和期刊定位，并把 Swarm and Evolutionary Computation、Information Sciences 等容易被旧口径误写的期刊单独说明。

一、先说结论：智能优化论文选刊要看“创新类型”

智能优化论文大致可以分成三类。

第一类是算法理论创新型。比如提出新的进化策略、多目标优化框架、约束处理机制、动态环境优化方法、混合搜索框架，或者对算法收敛性、复杂度和统计性能做了严谨分析。这类论文可以考虑 IEEE Transactions on Evolutionary Computation、Swarm and Evolutionary Computation、Evolutionary Computation 等更偏算法本体的期刊。

第二类是工程应用优化型。比如用改进 PSO、GA、ACO、GWO、WOA 解决生产调度、路径规划、供应链优化、能源调度、智能制造、交通优化、工业预测等实际问题。这类论文更适合 Engineering Applications of Artificial Intelligence、Expert Systems with Applications、Computers & Industrial Engineering、Applied Soft Computing 等应用型期刊。

第三类是机器学习与决策系统结合型。比如把优化算法用于特征选择、深度模型参数寻优、集成学习、知识驱动决策、多目标推荐、智能诊断等。这类论文可以考虑 Knowledge-Based Systems、Information Sciences、Expert Systems with Applications、Applied Soft Computing 等方向。

实际选刊时，不建议只按 IF 从高到低排序。更稳妥的方法是先判断论文属于算法理论、工程应用还是智能决策，再核验指标口径和期刊范围，最后按冲刺、稳妥、保底三层形成备选清单。

二、智能优化方向常见期刊推荐表

下面这张表是本文核心。表中 IF、JCR 和中科院分区采用本文开头列出的公开核验口径整理，后续投稿前建议再次核验。

先看影响因子和中科院大类分区的整体分布。TEVC 的 IF 明显领先，EAAI、ESWA、KBS 属于 1 区 Top 的应用与决策系统高水平选择；SWEVO、ASOC、CAIE、INS 则更适合在方向匹配后作为高质量备选。

需要特别说明的是，Swarm and Evolutionary Computation 在一些旧资料中经常被写成中科院 1 区，但按 2025 年 3 月中科院升级版公开查询平台口径，本文写为“计算机科学 2 区”。Information Sciences 也容易被“2026 新锐分区”与“2025 中科院升级版”混用，本文正文按 2025 年 3 月升级版写为计算机科学 2 区。

三、第一梯队：适合强算法创新的期刊

1. IEEE Transactions on Evolutionary Computation

TEVC 是进化计算方向非常有代表性的顶级期刊，当前公开口径 IF 为 12.0，中科院计算机科学 1 区 Top，JCR Q1。它适合真正围绕进化计算、群智能、多目标优化、动态优化、演化系统展开的高水平论文。

如果你的论文只是把灰狼算法、鲸鱼算法或麻雀搜索算法改了几个参数，再应用到一个普通函数集上，一般不建议直接投 TEVC。TEVC 更看重方法原创性、理论深度、实验严谨性和对进化计算领域本身的贡献。

适合 TEVC 的论文通常会包含：严格的算法动机，清晰的数学定义，复杂度分析，收敛性或性质讨论，大规模 benchmark，对比强基线，非参数统计检验，以及多个真实问题或标准问题验证。

2. Swarm and Evolutionary Computation

Swarm and Evolutionary Computation 是群智能和进化计算方向非常重要的期刊，当前公开口径 IF 为 8.5，JCR Q1。本文按 2025 年 3 月中科院升级版公开平台口径写为计算机科学 2 区，小类中 Computer Science, Theory & Methods 可见 1 区，Artificial Intelligence 为 2 区。

这个期刊很适合群智能、进化算法、元启发式算法、多目标优化、组合优化、约束优化、动态优化等论文。但它并不等于“新算法名字好听就能投”。现在很多期刊对“新自然启发式算法”越来越谨慎，如果论文只是模仿某种动物行为，并没有证明算法机制有效，很容易被认为创新不足。

3. Evolutionary Computation

Evolutionary Computation 是 MIT Press 旗下老牌期刊，当前公开口径 IF 为 3.4，JCR Q2，中科院计算机科学 3 区公开平台口径。它比 TEVC 和 SWEVO 的 IF 低，但更偏进化计算本体，不适合只写工程应用的论文。若你的文章有遗传编程、演化策略、演化理论或算法性质分析，这个期刊可以作为算法型论文的备选。

四、第二梯队：适合工程优化应用的高水平期刊

1. Engineering Applications of Artificial Intelligence

EAAI 当前公开口径 IF 为 8.0，JCR Q1，中科院计算机科学 1 区 Top。它非常适合“AI 方法 + 工程问题”的论文，例如工业调度、能源优化、制造系统、智能诊断、工程预测、路径规划、控制优化等。

需要注意，EAAI 的 scope 更强调工程应用。也就是说，论文不能只有算法性能比较，还要体现工程问题的真实约束、应用背景和实际意义。如果论文只是 benchmark 函数优化，投 EAAI 可能不如投更偏算法的期刊合适。

2. Expert Systems with Applications

ESWA 当前公开口径 IF 为 7.5，JCR Q1，中科院计算机科学 1 区 Top。这个期刊非常适合专家系统、智能决策、机器学习应用、优化调度、预测优化、决策支持系统等论文。

智能优化论文投 ESWA 时，最好不要只写“改进算法性能更好”，而要把算法放到一个决策系统或应用场景中。例如供应链风险评估、制造调度决策、医疗诊断辅助、金融风险预测、能源管理优化等。ESWA 看重问题价值、方法有效性和应用闭环。

3. Computers & Industrial Engineering

Computers & Industrial Engineering 当前公开口径 IF 为 6.5，JCR Q1，中科院工程技术 2 区 Top。它非常适合生产调度、车辆路径、工业工程、设施布局、供应链、制造系统、库存优化、任务分配等优化问题。

如果你的论文是遗传算法求解柔性作业车间调度、粒子群解决路径规划、蚁群优化物流配送、混合启发式求解生产排程，这个期刊比纯 AI 期刊更贴合。它更重工业工程建模和问题约束，不建议把它写成单纯算法论文。

五、第三梯队：适合软计算、机器学习和决策结合的期刊

1. Applied Soft Computing

Applied Soft Computing 当前公开口径 IF 为 6.6，JCR Q1，中科院计算机科学 2 区 Top。它是智能优化和软计算方向非常常见的选择，覆盖模糊系统、神经计算、进化算法、群智能、混合智能、机器学习优化等。

如果你的论文是“改进智能优化算法 + 特征选择”“优化算法 + 深度学习参数寻优”“混合 PSO/GA + 预测模型”“群智能 + 多目标调度”，ASOC 是比较匹配的方向。但要注意，ASOC 竞争也不低，实验必须扎实，尤其是统计检验和对比算法要完整。

2. Knowledge-Based Systems

KBS 当前公开口径 IF 为 7.6，JCR Q1，中科院计算机科学 1 区 Top。它更适合知识系统、机器学习、智能决策、知识驱动优化、多目标决策等方向。如果你的优化算法只是孤立存在，没有知识建模、决策系统或智能推理背景，投 KBS 可能不如 ASOC 或 EAAI 自然。

3. Information Sciences

Information Sciences 当前公开口径 IF 为 6.8，JCR Q1。本文按 2025 年 3 月中科院升级版公开平台口径写为计算机科学 2 区。它覆盖信息科学、机器学习、数据挖掘、优化算法、智能决策等方向，适合算法与信息处理、知识发现、数据驱动优化结合的论文。

Information Sciences 的选题不要太窄。单纯改进一个元启发式算法，如果没有信息科学、机器学习、决策系统或复杂数据场景支撑，未必是最匹配的选择。

4. Soft Computing

Soft Computing 当前公开口径 IF 为 2.5，JCR Q3，中科院计算机科学 4 区。它覆盖模糊逻辑、神经网络、进化算法、概率推理、软计算应用等方向。对新手来说，它可以作为更稳妥的备选，但要注意公开页面显示审稿周期可能较长，不能把它当成“快速录用”期刊。

六、遗传算法、粒子群、灰狼、鲸鱼论文分别怎么投

遗传算法论文如果偏理论，比如编码策略、选择策略、交叉变异机制、多目标遗传算法、遗传编程，可以关注 TEVC、Evolutionary Computation、SWEVO。如果是应用到调度或路径规划，可以考虑 CAIE、EAAI、ESWA、ASOC。

粒子群优化论文如果是改进惯性权重、拓扑结构、约束处理、动态搜索机制，且有强 benchmark 和统计检验，可以考虑 SWEVO、ASOC、TEVC。若用于参数寻优、特征选择、预测模型优化，可以考虑 ESWA、KBS、INS、EAAI。

灰狼优化和鲸鱼优化论文近几年数量很多，审稿人对“改进模块堆叠”比较敏感。投稿时一定要解释为什么要改、改进机制如何影响探索与开发、是否避免早熟收敛、是否提升复杂度。如果只是混沌初始化、反向学习、动态权重、莱维飞行同时堆上去，但没有消融实验，容易被拒。

蚁群算法更适合路径规划、车辆路径、网络路由、物流配送、调度等组合优化问题。若场景是工业工程，可以考虑 CAIE；若强调智能决策，可以考虑 ESWA；若算法机制较强，可以考虑 SWEVO 或 ASOC。

多目标优化论文要重点补充 Pareto 前沿、HV、IGD、Spacing、Spread、NDS、统计检验和可视化分析。多目标论文如果只报告一个综合得分，很难说服审稿人。

七、智能优化论文最容易被拒的原因

第一，算法创新像“拼盘”。很多论文把混沌初始化、反向学习、动态权重、莱维飞行、精英保留、局部搜索一起放进去，但没有说明每个策略对应解决什么问题，也没有消融实验。

第二，对比算法太弱。只和原始 GA、PSO、GWO、WOA 对比不够，至少要加入近年强基线、同类 SOTA 算法、经典数学规划方法或问题领域常用算法。

第三，benchmark 过少。只用几个 Sphere、Rastrigin、Ackley 函数不够。建议加入 CEC 测试集、约束优化测试、多目标测试、真实问题数据集。

第四，没有统计检验。智能优化算法具有随机性，只报告一次最好值很不可靠。建议报告 mean、std、best、worst，并加入 Wilcoxon、Friedman、Nemenyi 或 Holm 检验。

第五，应用场景太薄。比如说“路径规划”，但没有地图规模、障碍物设置、约束条件、转弯成本、动态障碍或安全距离，审稿人会觉得只是玩具实验。

第六，代码不可复现。至少要说明参数设置、运行次数、硬件环境、终止条件、随机种子和数据来源。

八、不同层级论文的选刊策略

如果你的论文目标是中科院 1 区，那么不要只看算法名字，要看论文是否具备强创新、强对比、强应用或强理论。TEVC、EAAI、ESWA、KBS 这类期刊都不适合“普通改进算法 + 少量实验”的文章。

如果你的论文是工程应用型，优先考虑 EAAI、ESWA、CAIE、ASOC，而不是硬投 TEVC。工程应用型论文要把问题背景写清楚，比如调度目标、约束条件、数据来源、业务意义、实际可部署性。

如果你的论文是新手第一篇，可以先考虑 ASOC、Soft Computing、Evolutionary Computation、CAIE 或其他领域交叉期刊，但不要降低写作标准。新手论文最重要的是完整：问题定义完整、算法步骤完整、实验完整、对比完整、统计分析完整。

下面这张矩阵可以辅助判断“指标层级”和“投稿定位”的关系。横轴是影响因子，纵轴是中科院大类分区，越靠右代表 IF 越高，越靠上代表分区层级越靠前。它不能代替 scope 判断，但能帮助快速排除明显不匹配的选择。

九、投稿前的期刊核验清单

配套资源包中的表格数据可以重新生成本文两张统计图，便于在投稿前替换为本单位最新核验数据。运行方式如下：

python scripts/generate_journal_figures.py

脚本默认读取 data/journal_metrics.csv，输出到 assets/figures/。如果你更新了 IF、JCR 或中科院分区，只要保持字段名不变，就可以重建柱状图和分区矩阵图。

十、智能优化论文推荐写作框架

摘要部分要避免“本文提出一种改进鲸鱼优化算法，实验表明效果更好”这种过于笼统的表述。更好的写法是：先说明优化问题的难点，例如高维搜索、局部最优、约束复杂、目标冲突、计算代价高；再说明提出的策略如何解决这些问题；最后给出 benchmark 和真实问题上的结果。

引言部分要把“为什么需要优化算法”讲清楚。不要一上来介绍某种动物行为，而要先写实际问题或算法痛点。相关工作部分要分为原始算法、改进算法、应用领域、现有不足。方法部分要给出伪代码、流程图、复杂度分析和策略解释。实验部分要有 benchmark、真实案例、消融实验、参数敏感性、统计检验和可视化。

对于路径规划论文，建议报告路径长度、平滑度、碰撞次数、运行时间、成功率、能耗和安全距离。对于调度论文，建议报告 makespan、总延迟、机器利用率、能耗、成本和约束违背。对于特征选择论文，建议报告分类精度、特征数量、F1、AUC、运行时间和稳定性。

十一、选刊资料里常见但需要纠正的说法

第一，“SWEVO 是中科院 1 区”。这个说法在旧文章中经常出现，但本文按 2025 年 3 月升级版公开平台口径写为计算机科学 2 区。如果你准备投稿，一定要查最新分区。

第二，“Information Sciences 是 1 区 Top”。一些平台会显示 2026 新锐分区，但本文正文按 2025 年 3 月中科院升级版写为计算机科学 2 区。不同分区体系不要混用。

第三，“IF 高就是难，IF 低就是好投”。这个判断过于粗糙。TEVC、SWEVO 等期刊不仅看 IF，还看研究方向和理论深度。Soft Computing IF 较低，但审稿周期和论文质量要求仍然不能忽视。

第四，“新算法名字越新越容易发表”。现在很多期刊对新自然启发式算法更加谨慎，如果没有机制证明、统计检验和真实问题支撑，反而容易被拒。

第五，“EI 会议比 SCI 简单”。有些 EI 会议确实适合阶段成果，但顶级会议比很多 SCI 期刊更难。会议是否 EI 检索还要看届次、出版方和数据库最终收录。

十二、结语

智能优化算法论文投稿的核心不是找到“容易中的期刊”，而是把论文定位讲清楚：你是在做算法理论、工程优化，还是智能决策应用。TEVC、SWEVO 适合强算法创新；EAAI、ESWA、CAIE 适合工程优化应用；KBS、INS 适合知识系统和智能决策结合；ASOC、Soft Computing、Evolutionary Computation 可以作为不同层级的备选。

真正能提升投稿成功率的不是把期刊名单背下来，而是补齐论文质量：算法机制解释、对比基线、统计检验、消融实验、真实场景建模和复现实验。只要这些内容扎实，再结合最新 IF、中科院分区、JCR 和单位认定进行选刊，智能优化论文会更容易找到合适的位置。

参考与核验入口

• Web of Science Master Journal List： https://mjl.clarivate.com/
• Journal Citation Reports：通过学校图书馆或 Clarivate 平台访问
• Clarivate 2025 Journal Citation Reports 发布说明： https://ir.clarivate.com/news-events/press-releases/news-details/2025/Clarivate-Unveils-the-2025-Journal-Citation-Reports/default.aspx
• 中科院期刊分区表：通过单位数据库或公开查询平台核验
• Scopus Sources： https://www.scopus.com/sources
• Think. Check. Submit.： https://thinkchecksubmit.org/journals/
• IEEE Transactions on Evolutionary Computation： https://cis.ieee.org/publications/t-evolutionary-computation
• Swarm and Evolutionary Computation： https://www.elsevier.com/locate/issn/2210-6502
• Engineering Applications of Artificial Intelligence： https://www.elsevier.com/locate/engappai
• Expert Systems with Applications： https://www.elsevier.com/locate/eswa/
• Applied Soft Computing： https://www.sciencedirect.com/journal/applied-soft-computing
• Knowledge-Based Systems： https://www.sciencedirect.com/journal/knowledge-based-systems
• Information Sciences： https://www.sciencedirect.com/journal/information-sciences
• Computers & Industrial Engineering： https://www.sciencedirect.com/journal/computers-and-industrial-engineering
• Evolutionary Computation： https://direct.mit.edu/evco
• Soft Computing： https://link.springer.com/journal/500