大规模重叠问题在实际工程应用中普遍存在，重叠问题子组间的共享变量给大规模重叠问题的优化带来了很大困难。基于分解的协同进化（抄送）算法在解决大规模重叠问题上表现良好。然而，一些针对重叠问题设计的新型科科斯群岛框架依赖问题分解方法获得重叠问题结构，而目前针对大规模重叠问题设计的分解方法不能同时兼顾高效性和准确性。为此，提出一种两阶段差分分组（TSDG）方法，在实现精确分组的同时显著减少了计算资源消耗。在第一阶段，采用基于有限差分原理的分组方法高效地识别子组集和共享变量集；第二阶段则提出一种分组改善方法检查前一阶段得到的子组集和共享变量集的信息，改正不准确的分组结果，以提高分组的稳定性和准确性。利用两阶段的协同作用，TSDG公司实现了对大规模重叠问题高效准确的分解。实验结果表明，TSDG公司能够在消耗较少计算资源的同时准确地分解大规模重叠问题。在优化实验中，TSDG公司在大规模重叠问题上的表现也优于对比算法。
针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题，提出一种基于多时间尺度协同的进化算法（MTCEA）首先，根据炼油企业的规模结构和实际需求，建立了一种大规模多时间尺度原油调度优化模型，该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成，通过引入原油资源动态分组策略，实现原油资源的合理配置，以满足不同的调度规模、多时间尺度的特征和精细化生产的要求；其次，为促进不同时间尺度调度决策的融合衔接，设计基于多时间尺度协同的进化算法，并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解，以实现不同时间尺度调度决策之间的协同优化；最后，在三个实际工业案例进行了算法性能验证。结果表明，与三种具有代表性的大规模进化优化算法（即竞争性粒子群优化算法（CSO）、基于多轨迹搜索的自适应差分进化算法（SaDE-MMTS）和基于混合模型的进化策略（MMES））以及三种高性能混合整数非线性规划（最小值）数学求解器（即ANTIGONE（非线性方程连续/整数全局优化算法）、SCIP（求解约束整数程序）和SHOT（支持超平面优化工具包）相比，MTCEA公司的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA公司在大规模多时间尺度原油调度决策中的实际应用价值和优势。
进化多任务优化（EMTO）是进化计算中一种新型方法，它可以同时解决多个相关的优化任务，并通过任务之间的知识转移增强每个任务的优化。近年来，越来越多的进化多任务优化相关研究致力于利用它强大的并行搜索能力和降低计算成本的潜力优化各种问题，并且EMTO公司已应用于各种各样的实际场景当中。从EMTO公司的原理、核心设计、应用以及挑战四个方面对EMTO公司的算法及应用进行了讨论。首先介绍了EMTO公司的大致分类，分别从两个层次、四个方面介绍，包括单种群多任务、多种群多任务、辅助任务形式以及多形式任务形式；其次介绍EMTO公司介绍、介绍
随着优化问题变得日益复杂，传统的进化算法由于计算成本高昂和适用性有限而面临挑战。为了克服这些挑战，基于知识迁移的进化多任务优化（EMTO）算法应运而生，它的核心思想是通过跨任务的知识共享，同时解决多个优化问题，旨在提高进化算法在应对复杂优化场景的效率。全面总结了当前进化多任务优化研究的进展，与已有综述文章相比，从不同的研究视角进行深入探讨，并指出了现有文献中对优化场景视角分析的缺失。鉴于此，从优化问题的应用场景出发，对适用于进化多任务优化的场景及其基本解决策略进行了系统性的阐述，以帮助研究人员准确地根据具体应用需求选择合适的研究方法。此外，深入讨论进化多任务优化当前面临的挑战和未来的研究方向，旨在为未来的研究提供指导和启示。
机会约束的多选择背包问题（CCMCKP）是一类具有重要应用价值的NP公司难组合优化问题，但目前还缺乏关于该问题求解方法的专门研究。为此，提出首个CCMCKP公司的求解框架，并基于该框架构建了两种求解方法：基于动态规划的RA-DP公司和基于遗传算法的RA-IGA公司RA-DP公司是精确求解方法，具有最优性保证，但是在可接受的时间（1小时）内仅能求解小规模问题样例；相较而言，RA-IGA公司是近似求解方法，具有更好的可扩放性。仿真实验结果验证了所提求解方法的性能：在小规模问题样例上，RA-DP公司和RA-IGA公司都可以找到最优解；在中大规模问题样例上，RA-IGA公司表现出了比RA-DP公司显著更高的求解效率，它总是可以在给定时间（1小时）内快速获得可行解。在CCMCKP公司的后续研究中，RA？DP公司和拉伊加语可作为基准对比方法，而实验工作中所构建的测试样例集可作为该问题的标准测试集。
智能制造和环境可持续性研究中，多目标调度问题对于协调生产效率、成本管理与环境保护之间的平衡具有至关重要的意义，但现有基于中央处理器的调度解决方案在处理大规模生产任务时仍面临效率和时效性的限制，而通用分组的并行计算能力可为优化大规模流水车间调度问题提供新的解决途径。针对多目标零等待流水车间调度问题（NWFSP）以同时最小化最大完成时间和总能耗（TEC）为优化目标，构建了混合整数线性规划模型（MILP）表征该调度问题，并提出一种基于通用分组加速的张量化演化算法（张量GPU NSGA-Ⅱ）求解该问题。张量-GPU-NSGA-Ⅱ的主要创新在于对NWFSP公司关于最小化最大完成时间和TEC公司的计算过程的张量化处理，并提出了一种基于通用分组的并行种群更新方法。实验结果表明，在500工件和20机器的问题规模下，张量-GPU-NSGA-Ⅱ在计算效率上相较于传统NSGA-Ⅱ算法取得了9 761.75的加速比；且随着种群规模的增加，它的加速性能有显著提升。
在多智能体系统中，协作任务往往动态变化，且存在多个冲突的优化目标，因此动态多目标多智能体协同调度问题已经成为亟须解决的关键问题之一。针对动态环境下多智能体协同调度需求，提出了概率驱动的动态预测策略，旨在有效利用历史环境概率分布，预测决策解在新环境的概率分布，从而生成新的多智能体调度方案，实现调度算法在动态环境下的快速响应。具体来讲，设计了基于元素的概率分布表达，以表示解的构成元素在动态环境的适应性，并根据优化算法迭代最优解逐步更新概率分布以趋近实际分布；构建了基于融合的概率分布预测机制，考虑到环境变化的连续性和相关性，当环境变化时，通过融合历史概率分布预测新环境的概率分布，为新环境优化提供先验知识；提出了基于启发式的新解采样机制，结合概率分布和启发式信息，生成解方案以更新过时种群。将概率驱动的动态预测策略嵌入新型的多目标进化算法，获得概率驱动的动态多目标进化算法。在10个动态多目标多智能体协同调度问题实例上，实验结果表明，所提算法在解最优性和多样性上显著优于已有多目标进化算法，所提的概率驱动的动态预测策略能够提高多目标进化算法对动态环境的适应能力。
由于对抗双方态势的快速变化，无人机近距空战机动自主决策困难且复杂，是空中对抗的一个难点。对此，提出一种基于有限忍耐度鸽群优化（FTPIO）算法的无人机近距空战机动决策方法。该方法主要包括基于机动动作库的对手行动预测和基于FTPIO公司算法的机动控制量和执行时间优化求解两个部分。为提升基本鸽群优化（PIO）算法的全局探索能力，引入有限忍耐度策略，在鸽子个体几次迭代中没有找到更优解时对其属性进行一次重置，避免陷入局部最优陷阱。该方法采用的优化变量是无人机运动模型控制变量的增量，打破了机动库的限制。通过和极小极大方法、基本项目执行办公室算法和粒子群优化（PSO）算法的仿真对抗测试结果表明，所提出的机动决策方法能够在近距空战中有效击败对手，产生更为灵活的欺骗性机动行为。
局部特征选择（LFS）方法将样本空间划分为多个局部区域，并为每个区域选择最优特征子集以反映局部异质信息。然而，现有的LFS公司方法以每个样本为中心划分局部区域并找到最优特征子集，导致优化效率低下且适用场景受限。为了解决这个问题，提出一种进化双层自适应局部特征选择（双LFS）算法。LFS公司问题被建模为双层优化问题，特征子集和待优化局部区域是该问题的两个决策变量。在问题的上层，使用非支配排序遗传算法-Ⅱ求解被选择的局部区域的最优特征子集，区域纯度和被选择特征比率是目标函数；在问题的下层，根据上层求解的最优特征子集，首先使用局部区域聚类分析得到区域内的中心样本，然后通过局部区域融合消除非必要区域并更新必要区域的种群。在11个UCI公司数据集上的测试结果表明，相较于基于进化算法的非自适应LFS公司方法，BiLFS公司的平均分类准确率达到前者的98.48%，而平均所需计算用时仅为前者的9.51%运算效率得到大幅提升，且达到基于线性规划的LFS公司方法的水准。对迭代过程中BiLFS公司算法选择的用于优化的局部区域进行可视化分析，结果表明，BiLFS公司选择必要局部区域具有稳定性和可靠性。
泛在计算模式下，数据分布式获取和处理带来了分布式数据驱动优化的需求。针对数据分布获取、约束异步评估且信息缺失的挑战，构建分布式数据驱动的多约束进化优化算法（DDDEA）框架，由一系列终端节点负责数据提供和分布式评估，服务器节点负责全局进化优化。基于该框架具体实现了一个算法实例，终端节点利用局部数据构建径向基函数（RBF）模型，辅助驱动服务器节点差分进化（德国）算法对问题进行寻优。通过与三个集中式数据驱动的多约束进化优化算法在两个标准测试集的实验对比，DDDEA公司在68.4%的测试用例中取得显著最优结果，在84.2%的测试用例中找到可行解的成功率为1.00，表明该算法具有良好的全局搜索能力和收敛能力。
约束多目标进化算法（CMOEA）是一类专门为解决约束多目标优化问题而设计的元启发式算法。这类算法利用基于种群的黑盒随机搜索模式，可以在不同优化问题上达到目标与约束之间的有效平衡；然而它们未有效利用函数的梯度信息，在复杂问题上收敛过慢。但引入梯度信息不是一个简单的过程，同时计算所有目标和约束的梯度会消耗大量的计算资源，且目标和约束之间的矛盾会使梯度方向难以确定。为此，提出一种进化计算和梯度下降（GD）的联合优化算法——基于梯度辅助的多阶段约束多目标进化算法（CMOEA-MSG）该算法包括两个阶段：在第一阶段，算法通过构建辅助问题并有选择性地计算目标或约束的梯度更新解，使种群快速收敛至可行区域；在第二阶段，算法采用约束优先原则求解原问题，保证种群的可行性和多样性。与现有同类算法在LIR-CMOP（兆瓦）和DAS-CMOP公司三个测试集上的对比结果表明，CMOEA-MSG公司可以更有效地解决约束多目标优化问题。
环形伪影是各类型计算机断层扫描（CT）图像中最常见的伪影之一，通常是由于探测器像素对X（X）射线响应不一致导致的。有效去除环形伪影能极大提高计算机断层扫描图像质量，提升后期诊断和分析的精度，是计算机断层扫描图像重建中的必要步骤。因此，对环形伪影去除（又称“环形伪影校正”）方法进行了系统梳理。首先，介绍环形伪影的表现和成因，给出常用的数据集、算法库；其次，依次介绍基于探测器校正、基于解析和迭代求解（分为投影数据预处理、计算机断层扫描图像重建、计算机断层扫描图像后处理环节）、基于深度学习（分为卷积神经网络、生成对抗网络）的环形伪影去除方法，并分析每类方法的原理、发展过程及优缺点；最后，归纳现有环形伪影去除方法在鲁棒性、数据集多样化、模型构建等方面存在的技术瓶颈，并对解决方案进行展望。
针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题，提出一种基于改进实数编码遗传算法（IRCGA）的深度神经网络超参数优化算法——IRCGA-DNN（深度神经网络的IRCGA）首先，采用实数编码方式表示超参数的取值，使超参数的搜索空间更灵活；然后，引入分层比例选择算子增加解集多样性；最后，分别设计了改进的单点交叉和变异算子，以更全面地探索超参数空间，提高优化算法的效率和质量。基于两个仿真数据集，验证IRCGA-DNN公司的毁伤效果预测性能和收敛效率。实验结果表明，在两个数据集上，与GA-DNN（深度神经网络的遗传算法）相比，所提算法的收敛迭代次数分别减少了8.7%和13.6%，缔约方（MSE）相差不大；与IGA-DNN（改进的GA-DNN）相比，IRCGA-DNN公司的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明，所提算法收敛速度和预测性能均更优，能有效处理神经网络超参数优化问题。
5克时代的到来使基于位置的服务（磅）应用更加广泛，但用户在享受伦敦商学院带来的巨大便利时，也会面对由位置服务引发的诸多隐私泄露问题。为了加强匿名的安全性，提高数据效用，对抗拥有一定背景知识的攻击以及保护用户的敏感信息，研究者们提出了基于语义的位置隐私保护机制。首先，对位置隐私保护系统结构和传统的保护技术进行介绍；其次，分析了基于语义的隐私泄露和攻击方式，给出了结合语义的位置隐私保护需求，重点从单点位置隐私保护和轨迹隐私保护两个方面综述了基于语义的位置隐私保护研究中最新的关键技术和成果；最后，对未来技术发展趋势和下一步研究工作进行展望。
隐私政策文档声明了应用程序需要获取的隐私信息，但不能保证清晰且完全披露应用获取的隐私信息类型，目前对应用实际敏感行为与隐私政策一致性分析的研究仍存在不足。针对上述问题，提出一种安卓应用敏感行为与隐私政策一致性分析方法。在隐私政策分析阶段，基于双向选通递归单元条件随机场添添添添添添添添添添添添添添添添添添添添添添添添添（美国石油学会）调用进行分类、对输入敏感源列表中已分析过的敏感美国石油学会调用进行删除，以及对已提取过的敏感路径进行标记的方法来优化IFDS（跨过程、有限、分布、子集）算法，使敏感行为分析结果与隐私政策描述的语言粒度相匹配，并且降低分析结果的冗余，提高分析效率；在一致性分析阶段，将本体之间的语义关系分为等价关系、从属关系和近似关系，并据此定义敏感行为与隐私政策一致性形式化模型，将敏感行为与隐私政策一致的情况分为清晰的表述和模糊的表述，将不一致的情况分为省略的表述、不正确的表述和有歧义的表述，最后根据所提基于语义相似度的一致性分析算法对敏感行为与隐私政策进行一致性分析。实验结果表明，对928个应用程序进行分析，在隐私政策分析正确率为97.34%的情况下，51.4%的安卓应用程序存在应用实际敏感行为与隐私政策声明不一致的情况。
针对量子硬件规模逐步扩大、当下量子计算经典模拟速度不高的问题，提出了基于神威超算量子模拟器的两种优化方法。首先，通过改进张量转置策略和计算策略重新构建了张量收缩算子库SWTT、从而提高了部分张量收缩的计算内核效率并减少了冗余访存；其次，通过提高数据局部性的收缩路径调整方法实现了路径计算复杂度和计算效率之间的均衡。测试结果表明，该算子库改进方法可将“悬铃木”量子霸权电路模拟效率提升5.4%，单步张量收缩效率最高提升49.7倍；该路径调整方法可在路径计算复杂度膨胀2倍条件下提升约4倍的浮点效率。两种优化方法使神威超算整机模拟谷歌53量子比特20层量子芯片随机电路百万振幅采样的单精度和混合精度浮点运算效率分别从3.98%和1.69%提升至18.48%和7.42%，理论估计模拟时间从单精度的470秒降至226秒混合精度的304秒降至134秒证明两种方法大幅提高了量子计算模拟速度。
K（K）-手段算法在处理大规模异构数据时，通常使用欧氏距离来衡量数据点之间的相似度，然而这样存在效率低下以及计算复杂性过高的问题。受到汉明距离在处理数据相似性计算上存在显著优势的启发，提出一种基于汉明距离的量子K（K）-平均值（QKMH）算法来计算相似度。首先，将数据制备成量子态，并使用量子汉明距离计算待聚类点和K（K）个聚类中心之间的相似度；然后，改进了格罗弗最小值搜索算法查找距离待聚类点最近的聚类中心；最后，循环以上步骤，直到达到规定迭代次数或者聚类中心不再改变。基于量子模拟计算框架QisKit、将提出的算法在MNIST公司手写数字数据集上进行了验证并与传统和改进的多种方法进行了对比，实验结果表明，QKMH公司算法的一层楼值相较于基于曼哈顿距离的量子K（K）-手段算法提高了10个百分点，相较于最新优化的基于欧氏距离的量子K（K）-手段算法提高了4.6个百分点；同时经计算，质量公里小时算法时间复杂度比上述对比算法更低。
现有的机器人抓取操作通常在良好光照条件下开展，此时目标细节清晰、区域对比度高，而在夜间、遮挡等弱光环境下目标的视觉特征微弱，会导致现有的机器人抓取检测模型的检测准确率急剧下降。为提高弱光场景下稀疏、微弱抓取特征的表征能力，提出一种融合视觉特征增强机制的抓取检测模型，通过视觉增强子任务为抓取检测施加特征增强约束。对于抓取检测模块，采用仿掌中宽带框架的编码器-解码器结构实现特征的高效融合；对于弱光增强模块，从局部、全局层面分别提取纹理、颜色信息，以实现兼顾目标细节与视觉效果的特征增强。此外，分别构建弱光康奈尔大学数据集和弱光提花机新路线95.5%和87.4%，与生成抓取卷积神经网络（GG-CNN）、生成残差卷积神经网络（GR-ConvNet）等现有抓取检测模型相比，准确率在弱光康奈尔大学数据集提升11.1、1.2个百分点，在弱光提花机数据集上提升5.5、5.0个百分点，取得了较好的抓取检测效果。
在综合对比传统知识图谱表示学习模型优缺点以及适用任务后，发现传统的单一模态知识图谱无法很好地表示知识。因此，如何利用文本、图片、视频、音频等多模态数据进行知识图谱表示学习成为一个重要的研究方向。同时，详细分析了常用的多模态知识图谱数据集，为相关研究人员提供数据支持。在此基础上，进一步讨论了文本、图片、视频、音频等多模态融合下的知识图谱表示学习模型，并对其中各种模型进行了总结和比较。最后，总结了多模态知识图谱表示学习如何改善经典应用，包括知识图谱补全、问答系统、多模态生成和推荐系统在实际应用中的效果，并对未来的研究工作进行了展望。
介数中心度是评价图中节点重要性的一项常用指标，然而在大规模动态图中介数中心度的更新效率很难满足应用需求。随着多核技术的发展，算法并行化已成为解决该问题的有效手段之一。因此，提出一种面向动态网络的介数中心度并行算法（PAB）首先，通过社区过滤、等距剪枝和分类筛选等操作减少了冗余点对的时间开销；然后，基于对算法确定性的分析和处理实现了并行化。在真实数据集和合成数据集上进行了对比实验，结果显示在添加边更新时个人通讯簿的更新效率为并行算法中最新的分批集中的4倍。可见，所提算法能够有效提高动态网络中介数中心度的更新效率。
针对一般手势识别算法的参数量、计算量和精度难以平衡的问题，提出一种轻量化篮球裁判手势识别算法。该算法在YOLOV5s（你只看一次版本5s）算法的基础上进行重构：首先，用内卷化算子替代CSP1_1型信息获取C3类模块后加入协同注意力（CA）机制，以得到更强的手势特征提取能力；然后，用轻量化内容感知上采样算子改进原始上采样模块，并将采样点集中在目标区域而忽略背景部分；最后，利用以SiLU公司作为激活函数的Ghost-Net（Ghost-Net）进行轻量化剪枝。在自制的篮球裁判手势数据集上的实验结果表明，该轻量化篮球裁判手势识别算法的计算量、参数量和模型大小分别为3.3 GFLOP、4.0×106和8.5 MB与YOLOV5系列算法相比，分别减少了79%、44%和40%，0.5毫安培为91.7%，在分辨率为1 920×1 280的比赛视频上的检测帧率达到89.3帧/秒证明该算法能满足低误差、高帧率和轻量化的要求。
群智能算法的优化是提升群智能算法性能的一个主要途径，随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中，对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段，能够灵活地平衡算法的全局勘探能力和局部开发能力，已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用，对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查，阐述了各类亚群策略的结构特点、改进方式和应用场景。最后，总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。
终身学习（微升）作为一种新兴方法打破了传统机器学习的局限性，并赋予了模型能够像人类一样在学习过程中不断积累、优化并转移知识的能力。近年来，随着深度学习的广泛应用，越来越多的研究致力于解决深度神经网络中出现的灾难性遗忘问题和摆脱稳定性-可塑性困境，并将LLL公司方法应用于各种各样的实际场景中，以推进人工智能由弱向强的发展。针对计算机视觉领域，首先，在图像分类任务中将LLL公司方法归纳为四大类型：基于数据驱动的方法、基于优化过程的方法、基于网络结构的方法和基于知识组合的方法；然后，介绍了LLL公司方法在其他视觉任务中的典型应用和相关评估指标；最后，针对现阶段LLL公司方法的不足之处进行讨论并提出了LLL公司方法未来发展的方向。
为挖掘感知点云几何特征并通过特征增强的方式进一步提高点云语义分割效果，提出了一种基于特征增强的点云语义分割网络。首先，通过设计点云的几何特征感知（GFSOP）模块赋予网络点云局部几何结构的感知能力，捕获点间的空间特征以强化语义表征，并利用分层提取特征思想获得多尺度特征。同时，使用空间注意力和通道注意力融合预测点云语义标签，并通过强化空间关联性和通道依赖性提升分割性能。在室内数据集S3DIS（斯坦福大学大型3D室内空间）上的实验结果显示，所提网络相较于PointNet（点网）++在（百万盎司）上提升了5.7个百分点，在总体准确度（办公自动化）上提升了3.1个百分点，且在存在噪声、点云密度不均和边界不清晰等问题的点云上表现出更强的泛化性能和更加鲁棒的分割效果。
近年来，研究人员针对图神经网络（GNN）提出了许多改进的模型架构设计，推动了各种预测任务的性能提升。但大多数GNN（全球导航号码）变体在开始都认为节点的特征同等重要，而实际情况并非如此。针对这个问题，提出一种特征选择方法来改进现有模型，并为数据集选择出重要特征子集。所提方法由特征选择层和标签-特征单独映射两个组件构成。在特征选择层中使用Softmax软件美国“软选择器”进行特征选择，在标签-特征单独映射思想下设计模型结构，为不同的标签选择对应的相关特征子集，并将多个相关特征子集作集合并运算得到最终数据集的重要特征子集。选取图注意力网络（关贸总协定）和关贸总协定2模型为基准模型，将算法应用到基准模型中得到新模型。实验结果表明，所提模型在6个数据集上执行节点分类任务时，准确率相较于基准模型提升了0.83%~8.79%；新模型也为6个数据集选择了对应的重要特征子集，这些重要特征子集的特征数量占各自数据集总特征数的3.94%~12.86%，将重要特征子集作为基准模型的新输入后仍然获得了95%以上的准确率（使用了所有特征），即在保证准确率的基础上减小了模型的规模。可见，所提方法能够提高节点分类准确率，并有效地为数据集选择对应的重要特征子集。
联邦学习（佛罗里达州）是一种新兴的隐私保护机器学习（百万）范式，然而它的分布式的训练结构更易受到投毒攻击的威胁：攻击者通过向中央服务器上传投毒模型以污染全局模型，减缓全局模型收敛并降低全局模型精确度。针对上述问题，提出一种基于生成对抗网络（甘恩）的投毒攻击检测方案。首先，将良性本地模型输入GAN公司产生检测样本；其次，使用生成的检测样本检测客户端上传的本地模型；最后，根据检测指标剔除投毒模型。同时，所提方案定义了一层楼值损失和精确度损失这两项检测指标检测投毒模型，将检测范围从单一类型的投毒攻击扩展至全部两种类型的投毒攻击；设计阈值判定方法处理误判问题，确保误判鲁棒性。实验结果表明，在MNIST公司和时尚-MNIST数据集上，所提方案能够生成高质量检测样本，并有效检测与剔除投毒模型；与使用收集测试数据和使用生成测试数据但仅使用精确度作为检测指标的两种检测方案相比，所提方案的全局模型精确度提升了2.7~12.2个百分点。
针对事故数据信息表达有限、数据不平衡以及数据中存在动态时空特性的问题，提出一种融合异构交通态势的事故预测模型。其中：时空状态聚合模块通过代表动态交通态势的交通事件和天气特征完成语义增强，并聚合四种区域（单一区域、邻近区域、相似区域和全局区域）的历史多时段时空状态；时空关系捕获模块从微观和宏观角度捕获事故数据局部与全局的动态时空特性；时空数据融合模块进一步融合多区域、多角度的时空状态，并完成下一时段的事故状况预测任务。在美国-事故的5个城市数据集上进行实验，结果表明所提模型的正样本、负样本、加权正负样本的平均一层楼分数分别为85.6%、86.4%和86.6%，与传统的前馈神经网络（FNN）模型相比，在三个指标上分别提升了14.4%、5.6%和9.3%，能有效抑制事故数据不平衡对实验结果的影响。构建高效的事故预测模型有助于分析道路交通安全形势，减少交通事故的发生，提高交通安全。
为了解决可见光与红外图像采用基础拉普拉斯融合（拉普拉斯混合）时，存在热源物体的轮廓不清晰以及曝光严重区域图像内容缺失的问题，提出一种保留红外轮廓与梯度信息的图像融合方法。首先，对输入图像进行颜色空间转换和自适应形态学去噪，并将两幅图像的梯度对比和红外图像突出目标的轮廓作为像素活动信息的权值；其次，同时分解权值与输入图像，并采用基于相似度的比较调整权重分配；最后，重构图像并转换颜色空间。在主观评价中，所提方法未产生伪影和怪异色彩，图像中的发热目标轮廓清晰；在客观评价指标中，该方法的熵（英语）为7.49，边缘梯度（EI）为74.61，中国（阿拉伯海湾）为7.23，与传统多尺度变换方法（包括非下采样轮廓波变换（NSCT）方法和基于非下采样剪切波变换（NSST）多尺度熵方法）和深度学习方法（结合残差网络（ResNet）与零相位分量分析（ZCA）的图像融合方法）相比，它的ZH分别提升了0.10、0.58和0.75当量分别提升了6.65、20.35和37.35，阿拉伯联合酋长国分别提升了0.73、2.19和3.55；而且它在英特尔i5系列计算机上的处理速度达到5帧/秒计算复杂度低。
专业人士（RS）的可解释性，打破推荐系统固有的局限性，提升用户对推荐系统的信任度和满意度，提出一种增强可解释性的深度评论注意力神经网络（DRANN）模型。该模型利用用户评论与商品评论中丰富的语义信息，基于文本评论学习用户、物品之间的潜在关系，预测用户兴趣偏好和情感倾向。首先，采用文本卷积神经网络（文本CNN）对词向量作浅层特征抽取；然后，使用注意力机制为评论数据分配权重，过滤无效评论信息，同时构建深度自编码器模块将高维稀疏数据降维，去除干扰信息，学习深层语义表征，增强推荐模型的可解释性；最后，通过预测层得到预测评分。在4个公开数据集（天井、汽车、乐器（M-I）和美女）上的实验结果表明，与概率矩阵分解（项目管理框架）模型、奇异值分解++（SVD++）模型、深度协同神经网络（DeepCoNN）模型、树增强嵌入模型（TEM）、DeepCF（深度协作过滤）、DER（动态可解释推荐器）相比，DRANN公司模型的均方根误差（RMSE）最小，验证了它在提升性能上的有效性以及所采用解释策略的可行性。
在国产高性能众核处理器上编程时，需要直接使用最底层的接口开发软件，这使编程和调试非常困难；并且各自平台的高性能软件编程模型较为基础，计算软件不能通用，造成了重复性开发。针对以上问题，实现了通用编程模型以及所对应的支撑库：一方面基于消息队列机制开发国产高性能众核处理器的线程级并行机制；另一方面基于单指令多数据流（SIMD）编程模型开发从核上的数据级并行性。首先，对国产高性能众核处理器体系结构进行抽象；其次，设计模型的消息队列机制，并为程序员提供一套异构并行编程接口，如系统参数接口、从核线程控制接口、消息队列接口、SIMD（单指令多数据）抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽抽（DMA）带宽的90%；当启动的核数较多时，消息队列模型的传输带宽普遍达到了峰值DMA公司带宽的70%。在矩阵乘法实验中，与系统原语传输矩阵并计算的性能相比，所提模型的性能达到前者的90%；在口令猜测系统中，所提模型的代码性能与直接使用最底层的接口开发的代码性能基本持平。所提通用编程模型和支撑框架使高性能计算（高性能混凝土）软件开发更简易，并且具有更好的可移植性，可为促进国产自主高性能混凝土软件研发提供帮助。
