车路协同旨在通过信息交换和协作实现智能高效的交通管理，其中高精度、轻量化且易于部署的路侧视角下的车辆与行人检测至关重要。因此，提出基于改进YOLOv8的轻量化交通目标检测模型。首先，引入FasterNet中的FasterBlock替换原始C2f中的某些瓶颈组件，以减少浮点运算量（GFLOPs）和参数量，降低整体模型的复杂性；其次，在模型的颈部网络采用兼顾速度和精度的GSConv（Group Shuffle Convolution）替代原有的卷积核，并引入SlimNeck特征融合模块，使每个特征层能够同时考虑深层特征的语义信息和浅层特征的细节；再次，使用MPDIoU（Minimum Point Distance based Intersection over Union）替换原有的损失函数，以提高模型的边界框回归性能；最后，通过通道剪枝修剪模型网络中的冗余连接，以减小模型规模并提高检测速度。实验结果表明，经过改进和剪枝的模型与原始YOLOv8s相比，精度提升了1.0个百分点，平均精度均值（mAP）提升了1.2个百分点，计算量和参数量分别降低了70.1%和69.4%。并且，在边缘设备Atlas 200I DK A2（算力4 TOPS，功耗9 W）的条件下，所提模型达到了58.03 frame/s的检测速度。

针对工程形状设计领域中带有多个约束条件的非线性设计优化问题，提出了一种自适应的基于高斯分布的量子行为粒子群优化（AG-QPSO）算法。通过自适应地调整高斯分布，AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力，随着搜索过程的进行，算法的局部搜索能力逐渐增强，从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性，在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明，在满足所有约束条件的情况下，AG-QPSO算法在压力容器设计问题上取得了5 890.931 5的平均解和5 885.332 8的最优解，在张弦设计问题上取得了0.010 96的平均解和0.010 96的最优解，远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果，同时AG-QPSO算法取得的结果的方差较小，说明该算法具有很好的鲁棒性。