针对基于p持续的移动自组网（MANET）信道接入和资源分配问题，提出一种具有低复杂度的自适应信道接入和资源分配算法。首先，考虑到自组网无中心分布式组网特点，以每个节点的信道利用率最大化为目标建立优化问题；其次将该问题建模为马尔可夫决策过程并定义状态、动作和奖励函数；最后基于策略梯度训练网络参数，联合优化竞争概率、优先级增长因子以及通信节点数量。仿真实验结果表明，所提算法可以显著提高p-持续载波侦听多址接入（CSMA）协议的性能，与固定竞争概率和p值预定义的方案相比，所提算法的信道利用率提高了45%和17%；此外，当节点数量小于35时，所提算法优于固定接入节点数量的方案。同时，在节点数据包到达率较高时，所提算法可以充分利用信道，减少时隙资源浪费。

针对当前水利大坝主要依靠人工现场巡视，运营成本高且效率低的问题，提出一种基于YOLOv5的改进检测算法。首先，采用改进的多尺度的视觉Transformer结构改进主干网络，并利用多尺度Transformer结构关联的多尺度全局信息和卷积神经网络（CNN）提取的局部信息来构建聚合特征，从而充分利用多尺度的语义信息和位置信息来提高网络的特征提取能力。然后，在网络的每个特征检测层前加入同位注意力机制，以在图像的高度和宽度方向分别进行特征编码，再用编码后的特征构建特征图上像素的长距离关联，从而增强网络在复杂环境中的目标定位能力。接着，改进了网络正负训练样本的采样算法，通过构建先验框与真实框的平均契合度和差异度筛选样本来辅助候选正样本与自身形状相近的先验框产生响应，以帮助网络更快、更好地收敛，从而提升网络的整体性能和网络泛化性。最后，针对应用需求对网络进行了轻量化，并通过对网络结构剪枝和结构重参数化优化网络结构。实验结果表明：在当前采用的大坝病害数据上，对比原始YOLOv5s算法，改进后的网络mAP@0.5提升了10.5个百分点，mAP@0.5：0.95提高了17.3个百分点；轻量化后的网络对比轻量化之前的网络的参数量和计算量分别降低了24%和13%，检测速度提升了42%，满足当前应用场景下病害检测精度和速度的要求。

针对元件的抓取路径规划问题，提出一种以最小化时间为目的，结合蚁群算法和禁忌搜索算法的混合优化算法。首先，将基于机器视觉抓取元件的问题确定为有约束的旅行商问题（TSP）；然后，分析了元件大小和抓取放置过程对于路径规划的综合影响，对路径选择概率和禁忌域进行了适应性改进；其次，一方面引入了2-opt局部优化以及信息素惩罚、奖励机制以改善蚂蚁的搜索能力，另一方面对信息挥发因子作适应性改进以提高蚂蚁的自适应能力；最后，针对基本算法和改进的混合优化算法，仿真实验和平台实验分别进行了性能指标和抓取时间的对比分析。实验结果表明，仿真环境下，与蚁群优化（ACO）算法和禁忌搜索（TS）算法相比，混合优化算法的平均迭代次数降低了约50%，且其他性能较为优越，平台测试的抓取用时测试结果也说明了混合优化算法较随机结果和基本算法的优越性，可以快速完成元件抓取任务。