针对目前大规模网络不适合在手机、平板电脑等资源匮乏的移动设备上使用，以及池化层会导致特征图的稀疏性最终影响神经网络识别精度的问题，提出了一个轻量级人脸识别神经网络ShuffaceNet，设计了一个非线性平滑Log-Mean-Exp函数ThetaMEX，并提出了一种端到端可训练的ThetaMEX全局池化层（TGPL），从而在保证算法精度的前提下，减少网络参数、提高运算速度，进而达到有效地将该网络部署在资源匮乏的移动设备上的目的。ShuffaceNet约有3 600个参数，模型大小仅为3.5 MB。在LFW（Labled Faces in the Wild）、AgeDB-30 （Age Database-30）、CFP （Celebrities in Frontal Profile）人脸数据集上的识别测试的结果表明，ShuffaceNet的精度分别达到了99.32%、93.17%、94.51%。与MobileNetV1、SqueezeNet、Xception相比，所提网络的大小分别缩减了73.1%、82.1%、78.5%，在AgeDB-30数据集上的精度分别提高了5.0%、6.3%、6.7%。可见，基于ThetaMEX全局池化的所提网络能够提高模型精度。

针对工程优化算法中黑盒子的高计算代价问题，提出一个基于River技术的动态面向服务优化计算平台（R-DSOCP）用于分布式并行计算黑盒子。首先分析优化算法中黑盒子的执行模式，遵循动态面向服务架构并围绕着River的服务发布和查找功能设计所需的核心服务并利用它们组建R-DSOCP；然后设计了一个基于蚁群优化的黑盒子调度问题（BSP）算法，调度服务利用该算法不仅能够快速为黑盒子选取最佳计算服务而且能够均衡平台负载；最后，实验结果表明在分离优化算法执行和黑盒子计算后，黑盒子在平台中得到了有效的并行计算，平均计算效率相比单计算节点提高近n倍，其中n为并行因子。因此借助高性能计算（HPC）技术，R-DSOCP在工程优化领域能够为提高优化算法速度并降低计算成本提供一个可行方案。