针对容器化云环境中数据中心能耗较高的问题，提出了一种基于最佳能耗优先（Power Full，PF）物理机选择算法的虚拟资源配置策略。首先，提出容器云虚拟资源的配置和迁移方案，发现物理机选择策略对数据中心能耗有重要影响；其次，通过研究主机利用率与容器利用率，主机利用率与虚拟机利用率，主机利用率与数据中心能耗之间的数学关系，建立容器云数据中心能耗的数学模型，定义出优化目标函数；最后，通过对物理机的能耗函数使用线性插值进行模拟，依据邻近事物相类似的特性，提出改进的最佳能耗优先物理机选择算法。仿真实验将此算法与先来先得（First Fit，FF）、最低利用率优先（Least Fit，LF）、最高利用率优先（Most Full，MF）进行比较，实验结果表明，在有规律不同物理机群的计算服务中，其能耗比FF、LF、MF分别平均降低45%、53%和49%；在有规律相同物理机群的计算服务中，其能耗比FF、LF、MF分别平均降低56%、46%和58%；在无规律不同物理机群的计算服务中，其能耗比FF、LF、MF分别平均降低32%、24%和12%。所提算法实现了对容器云虚拟资源的合理配置，且在数据中心节能方面具有优越性。

针对注塑生产车间作业调度效率较低的问题,在“归模”的基础上提出一种改进的作业调度方法。该方法通过合并具有相同模具清单作业减少生产所需时间,再通过小机型注塑机优先排产降低车间能耗。理论分析和实验评测结果表明,该方法可以提高生产能力，降低耗电量超过50%,使注塑车间作业调度效率更高。

针对运动捕获系统获取的人体运动轨迹固定、难以实现仿人机器人关键姿势转换问题，提出了一种基于分层Option学习的仿人机器人关键姿势相似性转换方法。构建多级关键姿势树状结构，从关节相似差异、时刻整体相似差异、周期整体相似差异等角度描述了关键姿势差异，引入分层强化Option学习方法，建立关键姿势与Option行为集，由关键姿势差异的累计奖励将SMDP-Q方法逼近最优Option值函数，实现了关键姿势的转换。实验验证了方法的有效性。

针对多机器人协商中缺少心智状态与实际任务执行能力、通信带宽拥挤导致的低实时性以及从协商历史中缺乏快速学习等问题，提出一种多移动机器人任务协商模型。首先，阐述了机器人基本运动形态;其次，为多机器人协商定义了基于π演算的心智状态(信念、目标、意图、知识更新等)与能力状态(协作、能力判断、任务分配等);再次，构建了多机器人协商模型，研究了协商周期、协商任务、协商效用估计、协商分配协议、学习机制等。最后在机器人足球比赛平台上验证了方法的有效性。

针对多机器人协作学习时出现的学习速度慢、学习效率低等问题，提出了一种基于π演算心智模型的足球机器人协作Q学习方法，描述了机器人的运动模型，定义了球场现状、目标、意图、行为、协作、请求、扩展知识、能力判断和联合意图等机器人心智状态，构造了联合奖励函数。最后通过实验验证了方法的有效性。

为了实现数字图像的版权保护，设计了一种基于范重心和提升小波变换的抗局部非线性几何攻击数字水印算法。算法首先将水印图像进行置乱加密预处理，其次对原始图像进行三级小波提升，分别提取低频图像和高频图像范重心，并根据子图范重心坐标生成特征向量，最后将特征向量与水印运算得到代表原始图像的版权信息。实验结果表明，该算法对图像遭受的局部非线性几何攻击具有较强的鲁棒性，同时密钥的使用保证了算法的安全性。