针对风电场风速数据中大量连续缺失数据的插值问题，提出了一种基于自适应变异粒子群优化（PSO）的分形插值算法。首先，在粒子群优化算法中引入变异因子，增强粒子的多样性，提高算法搜索精度；其次，通过自适应变异粒子群优化算法来得到分形插值算法中垂直比例因子参数的最佳取值；最后，对两组不同趋势和变化特征的数据集进行分形插值计算分析，并把所提算法与Lagrange插值和三次样条插值方法进行对比。结果表明：分形插值不仅可以保持风速曲线的整体波动特性和局部特征，而且比传统插值方法的精度更高；在基于Dataset A的实验中，分形插值的均方根误差（RMSE）分别比Lagrange插值和三次样条插值减小了66.52%和58.57%；在基于Dataset B的实验中，分形插值的RMSE分别比Lagrange插值和三次样条插值减小了76.72%和67.33%。证明分形插值更适合连续缺失且波动强烈的风速时间序列的插值。

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题，提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法（IWOA）结合Elman神经网络预测模型。首先，通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化，并利用Boruta算法筛选重要属性以降低属性集的复杂度；然后，通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声，实现属性序列的分解与降噪；同时，利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力；最后，利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明：比起单独使用Elman神经网络，所提模型的平均绝对误差(MAE)从358.812 0降低至113.055 3；与未采用CEEMDAN算法的原始数据集相比，该模型的平均绝对百分比误差(MAPE)从4.942 3%降低到1.445 31%，说明所提模型有效提高了预测精度，为股市网络舆情的预测提供了一种有效的实验方法。

如何保持双向匿名性是构建可信计算环境的核心问题之一，针对可信计算环境的特点，提出了一个基于口令的匿名认证密钥协商协议，并且在计算性Diffie-Hellman假设和存在强抗碰撞的单向杂凑函数条件下，基于随机预言机模型证明了该协议是安全的。另外，该协议可以有效抵抗字典攻击和资源耗尽型拒绝服务攻击。分析结果表明，该协议能够为密钥协商双方提供隐私保护，而且在执行效率方面明显优于VIET等其它方案