针对一般特征选择算法未能揭示数据特征与数据类别之间的可解释性映射关系的问题，在基因表达式编程（GEP）的基础上，通过引入初始化方法、变异策略以及适应度评价方法，提出了一种改进的基于层次距离的GEP特征选择分类算法（FSLDGEP）。首先，利用定义的选择概率有导向地初始化种群个体，从而增加种群中有效个体的数量；其次，定义个体的层次邻域，使种群个体基于其层次邻域进行变异，并解决了变异过程中的盲目无导向性问题；最后，将维度缩减率与分类准确率结合起来作为个体的适应度值，从而改变种群单一优化目标的进化模式，并平衡两者之间的关系。在7个数据集上进行5折交叉和10折交叉验证，所提算法给出了数据特征及其类别之间的函数映射关系，将得到的映射函数用于数据分类。与森林优化特征选择算法（FSFOA）、邻域软边界特征选择算法（NSM）、基于邻域有效信息比的特征选择算法（FS-NEIR）等对比算法相比，所提算法的维度缩减率在Hepatitis、WPBC（Wisconsin Prognostic Breast Cancer）、Sonar、WDBC（Wisconsin Diagnostic Breast Cancer）数据集上得到了最好结果；与对比算法相比，所提算法的平均分类准确率在Hepatitis、Ionosphere、Musk1、WPBC、Heart-Statlog、WDBC数据集上得到了最好结果。实验结果验证了所提算法在特征选择分类问题上的可行性、有效性和优越性。

为了更加合理地求解需求可拆分的车辆路径问题（SDVRP），克服传统先路径后优化两阶段的求解方法容易陷入局部最优的缺点，以及解决智能优化算法在优化阶段未能将竞争与协作有机地融合为一体的问题，以配送路径最短和配送车辆最少为优化目标，提出了一种改进的金字塔演化策略（IPES）。首先，以金字塔为基础，提出了求解SDVRP的编码、解码方式以及层级间的协作策略；其次，根据遗传算法的随机、“适者生存”的高度并行、自适应等特点，以及金字塔结构各层分工不同，设计了一种适合SDVRP的自适应邻域算子，使得算法能够快速收敛到最优；最后，得到最优解。相较于分段求解算法、聚类算法、粒子群算法、人工蜂群算法、禁忌搜索算法，四个仿真实验的结果表明，在求解各案例的最优路径时，所提IPES的求解精度分别至少提升了0.92%、0.35%、3.07%、9.40%，验证了在求解SDVRP时，IPES具有良好的性能。