在传统多背包问题的基础上，从典型物流服务场景中共性抽象出异构多背包问题（HMKP），并设计和定制了一种帝国竞争算法（ICA）对HMKP进行求解和评估。针对原始ICA易陷入局部最优以及0-1背包问题最优解往往在约束边界周围的特点，设计了双点自变异策略（TPAS）和跳出局部最优算法（JLOA）对ICA进行改进，提出面向0-1背包问题的二进制帝国竞争算法（BICA）。BICA在求解35个0-1背包问题算例时展现出了全面、高效的寻优能力，基于最佳匹配值法（BMV）的BICA在第一组测试集的20个算例上能对19个算例100%找到理想最优值，在第二组测试集的15个算例上能对12个算例100%找到理想最优值，在所有对比算法中表现最优。数值结果分析表明，BICA在寻优演化中维持多极发展策略，并依托独特的种群进化方式在解空间中高效搜索理想解。在此基础上，针对HMKP强约束性和高复杂度的特性，基于BICA设计了求解HMKP的多级二进制帝国竞争算法（MLB-ICA）。分别在多个典型0-1背包问题算例组合构建的HMKP高维测试集上进行了MLB-ICA的数值实验和性能评估，结果表明虽然MLB-ICA的求解时间比Gurobi长，但求解精度提高了28%。可见，MLB-ICA能以较低的计算代价在可接受的时间范围内高效求解高维复杂的HMKP，为ICA在超大规模组合优化问题中的求解提出了可行的算法设计方案。

参考点与参数的选取会对反距离权重（IDW）的精度产生影响。针对多参数协同优化反距离权重算法（PIDW）忽略局部特性的问题，提出一种利用粒子群对IDW进行局部优化的改进算法——PLIDW。首先，分别对研究区域中各个样本点的参数进行寻优，利用交叉验证方法进行评估，记录各自最优取值的一组参数；同时，为提高查询效率，使用K维树（KD-Tree）保存空间位置与最优参数；最后，根据空间邻近程度从K维树选取最近的一组参数优化IDW。基于模拟数据与真实的温度数据集上的实验结果表明，相较于PIDW，PLIDW在真实数据集上的准确度提高4.18%以上，改善了PIDW存在的因忽略局部特性导致部分场景准确度低的问题，适应能力更强。

知识图谱（KG）可以通过高效组织海量数据实现信息的有效抽取，因而基于知识图谱的推荐方法得到了广泛的研究和应用。针对图神经网络在知识图谱建模中的采样误差问题，提出了一种无采样协作知识图网络（NCKN）的方法。首先，设计了无采样知识传播模块，通过在单个卷积层使用不同大小的线性聚合器来捕捉深层次的信息，实现高效的无采样预计算；然后，为了区分邻居节点贡献度，在传播过程中引入注意力机制；最后，协作传播模块将知识嵌入同用户交互中的协作信号相结合，以更好地描述用户偏好。基于三个真实数据集，评估了NCKN在CTR预测和Top-k预测中的性能。实验结果表明，与主流算法RippleNet、知识图卷积神经网络（KGCN）相比，NCKN在CTR预测中的准确率平均分别提升了2.71%、4.60%；Top-k预测中，NCKN的准确率平均分别提升了5.26%、3.91%。所提方法不仅解决了图神经网络在知识图谱建模中的采样误差问题，且提升了推荐模型的准确率。