针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题，提出了一种结合长短期记忆（LSTM）网络和自注意力机制的图卷积网络（GCN）的短期电力负荷预测模型GCNLS-STLF。首先，利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图；然后，通过GCN、LSTM和图傅里叶变换（GFT）对电力负荷图进行特征提取；最后，使用全连接层对特征进行重构，并利用残差进行多次预测，以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示，与支持向量机（SVM）、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM（CNN-LSTM-attention）等预测模型相比，GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差（MAPE）分别降低1.94、0.90、0.49和0.37个百分点；在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点，6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明，GCNLS-STLF能有效提取电力负荷的关键特征，预测效果较好。

车联网（IoV）路况监测需要对用户隐私数据进行传输、存储与分析等处理，因此保障隐私数据安全尤为重要，然而传统的安全解决方案难以同时保障实时计算与数据安全。针对上述问题，设计了两个初始化协议与一个定期报告协议等安全协议，并构建了基于软件防护扩展（SGX）技术的IoV路况监测安全数据处理框架（SDPF）。SDPF利用可信硬件在路侧单元（RSU）内实现隐私数据的明文计算，并通过安全协议和混合加密方案保证框架的高效运行与隐私保护。安全性分析表明，SDPF可抵御窃听、篡改、重放、假冒、回滚等攻击。实验结果表明，SDPF的各项计算操作均为毫秒级，尤其是单车辆的所有数据处理开销低于1 ms。与基于雾计算的车联网隐私保护框架（PFCF）和基于同态加密的云辅助车载自组织网络（VANET）隐私保护框架（PPVF）相比，SDPF的安全设计更加全面，单会话消息长度减少了90%以上，计算时间至少缩短了16.38%。

针对弱监督文本分类任务中存在的类别词表噪声和标签噪声问题，提出了一种标签语义增强的弱监督文本分类模型。首先，基于单词上下文语义表示对类别词表去噪，从而构建高度准确的类别词表；然后，构建基于MASK机制的词类别预测任务对预训练模型BERT进行微调，以学习单词与类别的关系；最后，利用引入标签语义的自训练模块来充分利用所有数据信息并减少标签噪声的影响，以实现词级到句子级语义的转换，从而准确预测文本序列类别。实验结果表明，与目前最先进的弱监督文本分类模型LOTClass相比，所提方法在THUCNews、AG News和IMDB公开数据集上，分类准确率分别提高了5.29、1.41和1.86个百分点。

针对热轧圆钢的生产订单接受问题，考虑实际生产中订单提前完工惩罚和返工惩罚的影响，建立了以最大化订单总收益为优化目标的数学模型，提出了基于改进NEH算法和改进和声搜索(MHS)算法相结合的混合算法。首先改进了NEH算法用来产生初始解，再基于和声搜索算法对初始解进行优化，并引入了教与学优化(TLBO)算法思想来对和声向量进行选择和更新，进而控制迭代过程中产生的新解。同时，为了平衡算法的广度和深度搜索能力，在求解过程中动态地调整参数来保证算法的全局优化能力。基于实际生产数据的仿真实验表明，所提算法能有效提高订单总收益和订单接受率，验证了模型和算法的可行性和有效性。

提出了“虚拟权值”和“虚拟节点”的概念, 给出了中国邮递员问题的一种基于DNA计算的求解算法。新算法首先利用多聚酶链式反应技术来排除非解, 从而得到中国邮递员问题的所有可行解; 然后,结合基于表面的DNA计算方法与荧光标记等技术, 最终从所有可行解中析出最优解。算法分析表明, 新算法具有易于解读、编码简单等特点。

考虑传感器网络的数据特性及小波变换在流数据压缩方面的良好性能，提出了一种基于区间小波变换的混合熵数据压缩方法。理论分析和仿真结果表明，结合传统的DC(Data Centric)算法-DD (Directed Diffusion)路由算法，新算法能对传感器网络中的数据流进行有效压缩，可更大程度地降低DD路由算法下节点数据传输的能耗，从而可进一步延长整个网络的生命周期。