针对现有差分进化（DE）算法在处理种群多样性降低和局部最优问题时，种群大小改进方法的性能不足，提出一种基于双档案种群大小自适应方法（APSA）的差分进化算法（APDE）。首先，构建2个档案分别用于记录在先前进化中丢弃的个体和实验个体；其次，根据种群分布状态变化衡量多样性变化，并在多样性下降时从档案中选择个体加入种群，从而提升种群的多样性并增强跳出局部最优的能力；最后，基于APSA方法，提出一种改进的DE算法——APDE。在CEC2017测试集和兰纳-琼斯势问题上的广泛测试结果表明，APDE算法在30个测试函数上的基于Friedman test的平均排名中优于其他5种DE算法，并在至少20%的测试函数上取得了显著提升；同时，APDE算法在解决势能最小化上也取得了最佳性能。

联邦学习（FL）应用场景中，常面临客户端数据异质性和不同任务需求需要提供个性化模型的问题，但现有的部分个性化联邦学习（PFL）算法中存在个性化与全局泛化的权衡问题，并且这些算法大多采用传统FL中根据客户端数据量加权聚合的方法，导致数据分布差异大的客户端模型性能变差，缺乏个性化聚合策略。针对上述问题，提出一种基于相似度聚类和正则化的PFL算法pFedSCR。pFedSCR算法在客户端本地更新阶段训练个性化模型和局部模型，其中：个性化模型在交叉熵损失函数中引入L2范数正则化，动态调整参考全局模型的程度，在汲取全局知识的基础上实现个性化；在服务端聚合阶段，根据客户端模型更新的相似度聚类，构建聚合权重矩阵，动态调整聚合权重，为不同客户端聚合个性化模型，让参数聚合策略具有个性化的同时解决数据异构问题。在CIFAR-10、MNIST、Fashion-MNIST 3个数据集上通过狄利克雷（Dirichlet）分布模拟了多种非独立同分布（Non-IID）数据场景，结果表明：pFedSCR算法在各种场景下的准确度和通信效率都优于经典算法FedProx和最新个性化算法FedPCL （Federated Prototype-wise Contrastive Learning）等联邦学习算法，最高可达到99.03%准确度。

现有的多视图聚类算法大多假设多视图数据点之间为线性关系，且在学习过程中无法保留原始特征空间的局部性；而在欧氏空间中进行子空间融合又过于单调，无法将学习到的子空间表示对齐。针对以上问题，提出了基于格拉斯曼流形融合子空间的多视图聚类算法。首先，将核技巧和局部流形结构学习结合以得到不同视图的子空间表示；然后，在格拉斯曼流形上融合这些子空间表示以得到一致性亲和矩阵；最后，对一致性亲和矩阵执行谱聚类来得到最终的聚类结果，并利用交替方向乘子法（ADMM）来优化所提模型。与核多视图低秩稀疏子空间聚类（KMLRSSC）算法相比，所提算法的聚类精度在MSRCV1、Prokaryotic、Not-Hill数据集上分别提高了20.83个百分点、9.47个百分点和7.33个百分点。实验结果验证了基于格拉斯曼流形融合子空间的多视图聚类算法的有效性和良好性能。