针对传统蚁群优化（ACO）算法搜索路径时易陷入局部最优、路径过长、转弯角度过大等问题，提出一种基于转弯角度约束的改进ACO算法。首先，增加起始点与目标点之间区域的初始信息素浓度，以避免初期盲目搜索；然后，在启发函数中加入A ^*算法的估价函数和转弯角度因子，以便在下一步选择路径长度和转角次数综合最优的节点；最后，在信息素更新部分引入狼群算法的分配原则，来加强优质种群的影响力，同时借鉴最大最小蚁群（MMAS）算法进行信息素浓度的限制，从而避免算法陷入局部最优。Matlab仿真结果表明，改进算法与传统ACO算法相比，规划出的路径长度缩短了13.7%，转弯次数减小了64.3%，累计转弯角度减少了76.7%。实验结果表明，所提改进算法能有效解决全局路径规划问题，避免了移动机器人过多的能耗损失。

针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题，提出了一种基于隐狄利克雷分布（LDA）与卷积神经网络（CNN）的概率矩阵分解推荐模型（LCPMF），该模型综合考虑项目评论文档的主题信息与深层语义信息。首先，分别使用LDA主题模型和文本CNN对项目评论文档建模；然后，获取项目评论文档的显著潜在低维主题信息及全局深层语义信息，从而捕获项目文档的多层次特征表示；最后，将得到的用户和多层次的项目特征融合到概率矩阵分解（PMF）模型中，产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上，将LCPMF与经典的PMF、协同深度学习（CDL）、卷积矩阵因子分解模型（ConvMF）模型进行对比。实验结果表明，相较PMF、CDL、ConvMF模型，所提推荐模型LCPMF的均方根误差（RMSE）和平均绝对误差（MAE）在Movielens 1M数据集上分别降低了6.03%和5.38%、5.12%和4.03%、1.46%和2.00%，在Movielens 10M数据集上分别降低了5.35%和5.67%、2.50%和3.64%、1.75%和1.74%，在Amazon数据集上分别降低17.71%和23.63%、14.92%和17.47%、3.51%和4.87%，验证了所提模型在推荐系统中的可行性与有效性。

介绍了运动路径编辑方法,提出了保持足部位置运动速率不变的算法来解决其中出现的脚步滑动现象。该算法中,使用了基于约束的技术。首先,逐帧求出原始运动数据的足部位置,作为初始约束条件,当运动路径变化后,依据足部位置运动速率不变的原则,自动更新约束条件,减少了以往方法中的人工干预过程；然后,采用按帧编辑的实时逆向运动学算法求解约束条件。实验结果表明此算法有效地解决了脚步滑动现象。