针对发动机串联复合涡轮发电系统储能困难等问题，提出了一种基于自适应粒子群优化（SAPSO）算法的最大功率点追踪（MPPT）方法，增强发电系统功率的捕获能力。此外，采用混合储能系统（HESS）替代单一蓄电池储能，实现电能的高效、稳定存储。通过Matlab/Simulink软件，建立了基于发动机串联复合涡轮发电的储能优化控制仿真模型，对比分析了不同控制方法在设定工况下的功率追踪性能以及混合储能系统的储能特性。仿真结果表明，相较于传统扰动观测法（P&O）控制方法，在所提的SAPSO-MPPT方法下，发电功率提高了190 W， 响应时间缩短了0.15 s。同时，HESS能够有效追踪母线上的需求功率，电能回收效率高达95.3% 。最后，基于Y24型改装发动机台架搭建了串联复合涡轮发电系统实验平台，对所提储能优化控制策略的节油潜力进行了实验验证。结果表明，SAPSO-MPPT+HESS储能优化策略能够有效提高排气能量回收效率，优化后系统总热效率比原发动机提高了提高0.53个百分点。

为了解决基于传感器数据的运动识别问题，利用深度卷积神经网络（CNN）在公开的OPPORTUNITY传感器数据集上进行运动识别，提出了一种改进的渐进式神经网络架构搜索（PNAS）算法。首先，神经网络模型设计过程中不再依赖于合适拓扑结构的手动选择，而是通过PNAS算法来设计最优拓扑结构以最大化F1分数；其次，使用基于序列模型的优化（SMBO）策略，在该策略中将按照复杂度从低到高的顺序搜索结构空间，同时学习一个代理函数以引导对结构空间的搜索；最后，将搜索过程中表现最好的20个模型在OPPORTUNIT数据集上进行完全训练，并从中选出表现最好的模型作为搜索到的最优架构。通过这种方式搜索到的最优架构在OPPORTUNITY数据集上的F1分数达到了93.08%，与进化算法搜索到的最优架构及DeepConvLSTM相比分别提升了1.34%和1.73%，证明该方法能够改进以前手工设计的模型结构，且是可行有效的。