针对传统手工方法优化卷积神经网络（CNN）参数时存在耗时长、不准确，以及参数设置影响算法性能等问题，提出一种基于教与学优化（TLBO）的可变卷积自编码器（CAE）算法。该算法设计了可变长度的个体编码策略，从而快速构建CAE结构，并堆叠CAE为一个CNN；此外，充分利用优秀个体的结构信息来引导算法朝着更有希望的区域搜索，从而提高算法性能。实验结果表明，所提算法在解决医学图像分类问题时，分类精度达到89.84%，高于传统CNN和同类型神经网络。该算法通过优化CAE结构和堆叠CNN解决医学图像分类问题，有效提高了医学图像分类性能。

为了解决集值决策信息系统中的属性数量不断发生动态变化时，静态属性约简方法无法高效更新属性约简的问题，提出一种以知识粒度为启发信息的增量式属性约简方法。首先，介绍集值决策信息系统的相关概念，接着介绍知识粒度的定义并将其矩阵表示方法推广到此系统中；然后，分析增量式约简的更新机制，并基于知识粒度设计了增量式属性约简方法；最后，选取了3个不同的数据集进行实验。当3个数据集的属性数由20%增加到100%时，传统的非增量式方法的约简耗时分别为54.84 s、108.01 s、565.93 s，增量式方法的约简耗时分别为7.57 s、4.85 s、50.39 s。实验结果表明，在不影响属性约简精度的前提下，所提出的增量式方法比非增量式方法更加快速。

针对Web服务的组合与验证问题,在范畴理论描述框架的基础上,引入进程代数描述服务组件的外部行为,为Web服务系统的架构描述建立了一种形式化的语义模型。Web服务作为范畴理论中的对象节点,服务间的交互和组合关系作为态射,从而以范畴图表的形式来描述服务网络。在形式化定义服务接口、Web服务、服务组合等概念的基础上,进一步分析讨论了服务组合和交互过程中的语义特性,给出了Web服务可替代性和服务请求可满足性的形式化定义。实例研究表明,该框架增强了Web服务架构的语义描述能力。

基于四元三角格网(QTM)之间距离计算与比较的球面Voronoi图生成算法相对于扩张算法具有较高的精度,但由于需要计算并比较每个格网到所有种子点的距离,致使算法效率较低。针对这一问题,利用图形处理器(GPU)并行计算对算法进行实现,然后从GPU共享内存、常量内存、寄存器等三种内存的访问方面进行优化,最后用C++语言和统一计算设备架构(CUDA)开发了实验系统,对优化前后算法的效率进行对比。实验结果表明,不同内存的合理使用能在很大程度上提高算法的效率,且数据规模越大,所获得的加速比越高。

针对生物地理优化(BBO)算法探索能力不强、收敛速度慢的缺点,提出一种基于混合二次对立学习的生物地理优化算法——HQBBO。首先,定义一种启发式的混合二次对立点,并从理论上证明其搜索效率优势;然后,提出混合二次对立学习算子,增强算法的全局探索能力，提高收敛速度；此外,还采用搜索域动态缩放策略和精英保留策略进一步提高寻优效率。对8个基准测试函数的仿真实验结果表明，所提算法在寻优精度和收敛速度上优于基本BBO算法和对立BBO算法(OBBO)，表明其采用的混合二次对立学习算法对于其高收敛速度和全局探索能力是非常有效的。

给出了一种基于Hough变换的同心圆检测方法，其核心思想是降低经典Hough变换圆检测中的Hough累积维数，将经典Hough变换圆检测时的三维参量统计，转变成基于弦中点的圆心和半径的参量统计。根据圆上所有点的内切圆必经过圆中心的事实，提取黑白边缘图像来建立二维数组累加器，依照像素点分布扫描边缘图像，累加器计数,计算出圆心位置，对每个圆心进行半径累积，确定同心圆半径集。与经典的Hough变换检测方法相比,该方法降低了计算复杂度。