针对现有语音情感识别（SER）模型精度较低、泛化能力较差的问题，提出一种孪生的Multi-scale CNN-BiGRU网络。该网络通过引入多尺度特征提取器（MSFE）和多维度注意力（MDA）模块构建孪生网络，并利用样本对的形式增加模型训练量，从而提高模型的识别精度，使它能更好地适应复杂的真实应用场景。在IEMOCAP和EMO-DB这2个公开数据集上的实验结果表明，所提模型在识别精确率上较CNN-BiGRU分别提升了8.28和7.79个百分点。此外，通过收集客服真实语音对话录音构建一个客服语音情感数据集，在该数据集上的实验结果表明，所提模型的识别精确率可达到87.85%，证明所提模型具有良好的泛化性。

针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险，提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制（IGSO-SDTP）。首先，基于位置显著点约简历史轨迹数据集；其次，结合k?匿名和差分隐私对简化后的轨迹数据集分别进行泛化和加噪；最后，设计了兼顾距离误差和轨迹相似性的加权距离，并以加权距离为评价指标，基于改进萤火虫群优化（IGSO）算法求解加权距离小的干扰轨迹。在多个数据集上的实验结果表明，与RD（Differential privacy for Raw trajectory data）、SDTP（Trajectory Protection of Simplification and Differential privacy）、LIC（Linear Index Clustering algorithm）、DPKTS（Differential Privacy based on K-means Trajectory shape Similarity）相比，IGSO-SDTP方法得到的加权距离分别降低了21.94%、9.15%、14.25%、10.55%，说明所提方法发布的干扰轨迹可用性和稳定性更好。

针对生活中专车类空间众包用户存在偏好和延时等待的实际情况，提出一种基于用户满意效用的空间众包任务分配方法IGSO-SSCTA。首先，定义了由用户偏好效用、延时等待效用和任务完成期望组成的用户满意效用；其次，构建了基于用户满意效用的空间众包任务分配（SSCTA）模型；接着，通过离散编码、反向学习协同初始化、四种改进移动策略、自适应选择和不可行解处理，提出一种适用该模型的改进离散萤火虫群优化（IGSO）算法；最后，利用IGSO算法对前述模型进行求解。不同规模数据集上的实验结果表明，所提方法和考虑时间最小化分配、考虑路程最小化分配、随机分配三种策略相比，用户满意效用分别提高了提升了9.64%、11.77%、15.70%；所提算法与贪婪算法和其他改进萤火虫算法相比，也有更好的稳定性和收敛性。