知识图谱嵌入（KGE）将实体和关系映射到低维连续向量空间中，以利用机器学习方法实现关系数据的应用，如知识分析、推理、补全等。以ConvE为代表将卷积神经网络（CNN）应用于知识图谱嵌入中，以捕捉实体和关系的交互信息，但其标准卷积捕捉特征交互信息能力不足，特征表达能力低下。针对特征交互能力不足问题，提出了一种改进的Inception结构，在此基础上构建一个知识图谱嵌入模型InceE。首先，该结构使用混合空洞卷积替代标准卷积，以提高特征交互信息捕捉能力；其次，使用残差网络结构，以减少特征信息丢失。实验使用基准数据集Kinship、FB15k、WN18验证InceE链接预测有效性。在Kinship、FB15k数据集上，相较于ArcE和QuatRE模型，InceE的Hit@1分别提升了1.6和1.5个百分点；在三个数据集上，与ConvE对比，InceE的Hit@1分别提升了6.3、20.8和1.0个百分点。实验结果表明InceE具有更强的特征交互信息捕捉能力。

针对下行的异构认知超密集异构网络（UDN）的多维资源配置问题，提出一种以毫微微小区用户最大吞吐量为目标的联合优化用户关联和资源分配的改进遗传算法。首先，在算法开始之前进行预处理，初始化用户可达基站和可用信道矩阵；其次，采用符号编码，将用户与基站以及用户与信道的匹配关系编码为一个二维的染色体；然后，将动态择优复制+轮盘赌作为选择算法，以加快种群的收敛；最后，为避免算法陷入局部最优，在变异阶段加入早熟判决的变异算子，从而在有限次迭代下求得基站、用户、信道的连接策略。实验结果表明，在基站与信道数量一定时，所提算法与三维匹配的遗传算法相比在用户总吞吐量方面提高了7.2%，在认知用户吞吐量方面提高了1.2%，且计算复杂度更低。所提算法缩小了可行解的搜索空间，能在较低复杂度下有效提高认知UDN的总吞吐量。

针对5G超密网中移动设备计算能力不足、频谱资源有限的问题，提出了一种基于非正交多址接入（NOMA）的计算迁移与带宽分配策略。首先，对系统模型进行了分析，并在此基础上以最小化设备计算代价为目标对所研究的问题进行形式化定义；然后，将该问题分解成设备的计算迁移、系统的带宽分配和设备的分组匹配三个子问题，并利用模拟退火、内点法和贪心算法对这三个子问题进行求解；最后，通过联合优化算法对上述子问题进行交替性迭代求解，最终获得最优计算迁移和资源分配策略。仿真结果表明，所提出的联合优化策略不但优于传统的正交多址接入（OMA）方式，而且能获得比平均分配带宽的NOMA技术更低的设备计算代价。