为去除导丝伪影以提高血管内光学相干断层扫描（IVOCT）的图像质量，辅助医师更加准确地诊断心血管疾病，降低误诊及漏诊的概率，针对IVOCT图像结构信息复杂且伪影区域占比大的难点，提出一种采用生成对抗网络（GAN）架构的基于Transformer的结构强化网络（SETN）。首先，GAN的生成器在提取纹理特征的原始图像（ORI）主干生成网络的基础上，并联了RTV（Relative Total Variation）图像强化生成网络用于获取图像的结构信息；其次，在ORI/RTV图像的伪影区域重建过程中，引入了分别关注时/空间域信息的Transformer编码器，用于捕获IVOCT图像序列的上下文信息以及纹理/结构特征之间的关联性；最后，利用结构特征融合模块将不同层次的结构特征融入ORI主干生成网络的解码阶段，配合判别器完成导丝伪影区域的图像重建。实验结果表明，SETN的导丝伪影去除结果在纹理和结构的重建上均十分优秀。此外，导丝伪影去除后IVOCT图像质量的提高，对于IVOCT图像的易损斑块分割及管腔轮廓线提取任务均具有积极意义。

城市路网交通流预测受到历史交通流和相邻路口交通流的影响，具有复杂的时空关联性。针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题，提出一种基于改进时空残差卷积神经网络（CNN）的城市路网短时交通流预测模型。该模型将原始交通流数据转化成交通栅格数据，利用皮尔逊相关系数（PCC）对交通栅格数据进行相关性分析，确定相关性高的周期序列和邻近序列；同时，建立周期序列模型和邻近序列模型，并引入长短时记忆（LSTM）网络作为混合模型提取时间特征以及捕获两种序列的长期时间特征。利用成都市出租车数据集对模型进行验证，结果表明该模型预测结果优于LSTM、CNN和传统残差模型等基准模型，以均方根误差（RMSE）为评价指标时，所提模型将测试集中交通路网的平均预测精度分别提高了25.6%、13.3%和3.2%。

分析了基于有效带宽理论(effectivebandwidththeory)的静态资源分配方案的弊端。在此基础上,提出了一种基于流量预测的资源动态管理算法,并且把资源动态管理算法具体应用到QoS的区分服务(DifferentiatedService)体系中,算法在区分服务网络的边缘路由器上实现。最后,在ns 2的仿真环境下对两种算法进行了比较,试验结果证明无论在丢包率还是链路利用率上,资源动态管理算法都比静态资源分配方案有明显的优势。

针对差分进化（DE）算法收敛缓慢、易陷入局部最优的缺点，提出一种基于多种群自适应和历史成功参数的DE算法。首先，所有个体按适应度值被分为精英、中庸、劣势这3个子种群，并对不同子种群使用不同的变异策略，从而加强了算法开发性和探索性之间的平衡；其次，对劣势子种群提出一种新的变异策略提高算法的多样性；再次，为了进一步加强开发性与探索性之间的平衡，限定每种策略中随机个体的候选父母范围，从而发挥不同个体之间的优势，进而提高算法的性能；最后，为了加强算法的开发性，使用历史成功参数指导参数的自适应选择，从而引领参数一直向着好的方向前进。基于CEC2014测试集的30个测试函数进行了比较实验，实验结果表明，在30维、50维问题上，相较于OLELS-DE（efficient Differential Evolution algorithm based on Orthogonal Learning and Elites Local Search mechanisms for numerical optimization），所提算法的Friedman检验的秩次等级分别提高了8.62%和22.55%。可见，所提算法的性能与求解精度更优，能有效处理全局数值优化的问题。