最短路径计数是图计算中的一个重要研究问题，旨在查询顶点间的最短路径数，在路径规划与推荐、社交网络分析、介数中心性计算等领域中具有广泛应用。目前越来越多的网络可以建模为时序图，但少有针对时序图最短路径计数查询问题的研究工作。与静态图相比，时序图增加了时间信息，结构更复杂，在查询顶点间的路径数时必须考虑边的激活时间，因此静态图中最短路径计数方法不再适用于时序图，并且在大规模时序图上查询更具有挑战性。针对时序图最短路径计数问题，提出一种基于树分解构建TG-TL（Temporal Graph-Tree Label）索引的方法。该方法包含构建索引和在线查询两个阶段，构建索引阶段根据时序图的属性设计时序树分解算法，将时序图转化为树结构；然后根据树分解的结构信息以及凸路径定义提出高效构建索引算法；在线查询阶段基于TG-TL索引提出了高效的时序最短路径计数查询算法。在4个真实数据集上的实验结果表明，与基于TG-base（Temporal Graph-base）索引的查询算法相比，所提算法在查询效率上至少提升了61％，因此所提算法在时序图最短路径计数问题上具有高效性和有效性。

针对现有差分进化（DE）算法在处理种群多样性降低和局部最优问题时，种群大小改进方法的性能不足，提出一种基于双档案种群大小自适应方法（APSA）的差分进化算法（APDE）。首先，构建2个档案分别用于记录在先前进化中丢弃的个体和实验个体；其次，根据种群分布状态变化衡量多样性变化，并在多样性下降时从档案中选择个体加入种群，从而提升种群的多样性并增强跳出局部最优的能力；最后，基于APSA方法，提出一种改进的DE算法——APDE。在CEC2017测试集和兰纳-琼斯势问题上的广泛测试结果表明，APDE算法在30个测试函数上的基于Friedman test的平均排名中优于其他5种DE算法，并在至少20%的测试函数上取得了显著提升；同时，APDE算法在解决势能最小化上也取得了最佳性能。

联邦学习（FL）应用场景中，常面临客户端数据异质性和不同任务需求需要提供个性化模型的问题，但现有的部分个性化联邦学习（PFL）算法中存在个性化与全局泛化的权衡问题，并且这些算法大多采用传统FL中根据客户端数据量加权聚合的方法，导致数据分布差异大的客户端模型性能变差，缺乏个性化聚合策略。针对上述问题，提出一种基于相似度聚类和正则化的PFL算法pFedSCR。pFedSCR算法在客户端本地更新阶段训练个性化模型和局部模型，其中：个性化模型在交叉熵损失函数中引入L2范数正则化，动态调整参考全局模型的程度，在汲取全局知识的基础上实现个性化；在服务端聚合阶段，根据客户端模型更新的相似度聚类，构建聚合权重矩阵，动态调整聚合权重，为不同客户端聚合个性化模型，让参数聚合策略具有个性化的同时解决数据异构问题。在CIFAR-10、MNIST、Fashion-MNIST 3个数据集上通过狄利克雷（Dirichlet）分布模拟了多种非独立同分布（Non-IID）数据场景，结果表明：pFedSCR算法在各种场景下的准确度和通信效率都优于经典算法FedProx和最新个性化算法FedPCL （Federated Prototype-wise Contrastive Learning）等联邦学习算法，最高可达到99.03%准确度。

现有的多视图聚类算法大多假设多视图数据点之间为线性关系，且在学习过程中无法保留原始特征空间的局部性；而在欧氏空间中进行子空间融合又过于单调，无法将学习到的子空间表示对齐。针对以上问题，提出了基于格拉斯曼流形融合子空间的多视图聚类算法。首先，将核技巧和局部流形结构学习结合以得到不同视图的子空间表示；然后，在格拉斯曼流形上融合这些子空间表示以得到一致性亲和矩阵；最后，对一致性亲和矩阵执行谱聚类来得到最终的聚类结果，并利用交替方向乘子法（ADMM）来优化所提模型。与核多视图低秩稀疏子空间聚类（KMLRSSC）算法相比，所提算法的聚类精度在MSRCV1、Prokaryotic、Not-Hill数据集上分别提高了20.83个百分点、9.47个百分点和7.33个百分点。实验结果验证了基于格拉斯曼流形融合子空间的多视图聚类算法的有效性和良好性能。

针对现存粒子群优化（PSO）算法易早熟和收敛速度慢的问题，提出一种融合早熟检测机制和对立随机游走策略的粒子群优化算法（PDORW-PSO）。首先，通过引入平移参数的方法改进Sigmoid函数，以确保在自变量较小时，函数输出值也较小；其次，将全局极值连续未变的次数作为改进后Sigmoid函数的自变量，以计算种群早熟的概率；最后，基于2个随机候选解和粒子历史最优解的反向解更新粒子位置，从而增强种群逃离局部最优的能力。所提算法与经典PSO算法以及5种改进后的PSO算法在8种经典测试函数上的对比实验的结果表明，所提算法的收敛精度和收敛速度和6种对比算法相比，在5种测试函数上排名第一。可见，PDORW-PSO的收敛精度和收敛速度较对比算法有较大提升。