针对远距离或遮挡场景中形状缺失的弱感知目标的检测精确率低下的问题，提出一种基于点云补全和多分辨Transformer的弱感知目标检测方法（WP-CMT）。首先，考虑到目标检测网络中的下采样卷积操作会导致部分关键信息的丢失，选取具有反卷积上采样结构的部分感知聚合（Part-A²）方法作为基础网络以生成初始候选框；然后，为增强初始候选框中的弱感知目标形状及位置特征，采用点云补全模块重构弱感知目标表面的密集点集，并构建新颖的多分辨Transformer特征编码模块来聚合弱感知目标的补全形状特征和原始空间位置信息，通过逐步编码不同分辨率局部坐标点集上的聚合特征的上下文语义相关性来捕获弱感知目标增强的局部特征，最终生成精细化的目标检测框。实验结果表明：对于KITTI和Waymo数据集中的弱感知困难级别目标，WP-CMT的平均精确率和平均精确率均值分别比基准方法Part-A²提升了2.51和1.59个百分点，验证了该方法对弱感知目标检测的有效性。同时，消融实验结果表明WP-CMT中的点云补全和多分辨Transformer特征编码模块对于不同类型的区域候选网络（RPN）结构均能有效提升弱感知目标的检测性能。

针对标准粒子群算法(SPSO)中粒子在避障时易陷入局部最优而无法继续行走的问题，提出一种将局部最优粒子的位置后退至其历史最优位置，在此位置进行8-邻域局部搜索最优可行解的方法。该方法找到离目标最近的非障碍点，让粒子行走至该位置；同时找出当代群体的全局最优位置，并将各粒子位置设定为此位置，继续迭代。通过在栅格地图中的避障实验发现，传统算法粒子遇到障碍物时会陷入局部最优而无法行走，而改进后的算法粒子能够成功避开障碍到达终点。将改进的算法引入三维视景仿真系统，仿真结果表明在大地图、多障碍场景下粒子陷入局部最优而导致寻路失败的概率高达50%；通过给障碍物添加圆形坡度对算法进一步改进，粒子成功规划出路径的概率提高至83%。实验结果表明改进后算法搜索能力增强，能在复杂场景中有效地规划出路径。

预先优化社会帐篷募集点选址，有助于地震等灾难期间有效征集社会帐篷开展救援工作。研究不同地震场景下社会帐篷募集点预选址问题，以最小化经济成本和时间成本为目标，建立双层随机规划模型，确定社会帐篷募集点选址方案。考虑模型中权重等参数的影响，设计五种实验，并对实验结果进行讨论。通过实际算例，以上海浦东新区为背景，以23个省份作为不同地震场景，验证模型的实用性。最后考虑雅安地震，分析确定场景下参数对结果的影响。