针对堆优化算法（HBO）在解决复杂问题时存在搜索能力不足和搜索效率低等缺陷，提出一种差分扰动的HBO——DDHBO。首先，提出一种随机差分扰动策略更新最优个体的位置，以解决HBO没有对其更新从而导致的搜索效率低的问题；其次，使用一种最优最差差分扰动策略更新最差个体的位置，以强化其搜索能力；然后，采用一种多层差分扰动策略更新一般个体的位置，以强化多层个体之间的信息交流，并提高搜索能力；最后，针对原更新模型在搜索初期获得有效解概率低的问题，提出一种基于维的差分扰动策略更新其他个体的位置。在大量CEC2017复杂函数上的实验结果表明，与HBO相比，DDHBO在96.67%的函数上具有更好的优化性能，更少的平均运行时间（3.445 0 s）；与WRBBO（Worst opposition learning and Random-scaled differential mutation Biogeography-Based Optimization）、DEBBO（Differential Evolution and Biogeography-Based Optimization）和HGWOP（Hybrid PSO and Grey Wolf Optimizer）等先进算法相比，DDHBO也具有显著的优势。

在当今国际化的社会，作为国际通用语言的英文字符及中文环境下的拼音字符出现在众多公共场合。当这些字符出现在图像中时，尤其在风格复杂的图像中时，难以直接对其进行编辑修改。针对上述问题，提出了一种改进文字生成网络（FANnet）的图像字符编辑方法。首先，利用基于直方图对比度（HC）的显著性检测算法改进自适应字符检测（CAD）模型，准确提取出用户所选择的图像字符；接着，根据FANnet，生成与源字符字体几乎一致的目标字符的二值图；然后，通过所提出的局部颜色分布（CDL）迁移模型，迁移源字符颜色至目标字符；最后，生成与源字符字体结构和颜色变化均高度一致的目标可编辑修改字符，从而达到字符编辑目的。实验结果表明，在MSRA-TD500、COCO-Text和ICDAR数据集上，所提方法的结构相似性（SSIM）、峰值信噪比（PSNR）和归一化均方根误差（NRMSE）平均值分别为0.776 5、18.321 1 dB和0.435 8，相较于基于字体自适应神经网络的场景文本编辑器（STEFANN）算法分别提高了18.59%、14.02%和降低了2.97%，相较于多模态小样本字体迁移模型MC-GAN算法（输入1个字符时）分别提高了30.24%、23.92%和降低了4.68%；而且针对字体结构和颜色渐变分布比较复杂的实际场景图像字符，所提方法的编辑效果也较好。该方法可以应用于图像重利用、图像字符计算机自动纠错和图像文本信息重存储。

针对现有回归多任务学习中各任务独立评估风险、缺乏统一约束条件的缺点，提出了一种具有自适应分组能力的超球多任务学习算法。该算法以极限学习机(ELM)为基础形式，首先引入超球损失函数对所有任务的风险进行统一评估，并采用迭代再权最小二乘法求解；其次，考虑到任务之间关联度存在差异，基于相关性强的任务其权重向量也较相似的假设，构建带分组结构的正则项，使得同组内的任务独立进行训练，最终将优化目标转为混合0-1规划问题，并采用多目标优化方法自动确定模型参数和最优分组结构。基于仿真数据和圆柱壳振动信号数据的测试结果表明，该算法可有效识别出任务中的分组结构，同时与现有算法相比，可明显提高回归模型的泛化能力。