针对现有的交通流预测模型未能精确捕获交通数据的时空特征，以及大部分模型都是在单步预测中体现出良好的预测性能，在多步预测中模型的预测性能显得并不理想的问题，提出了一种基于门控卷积的时空交通流预测模型（GC-STTFPM）。首先，利用图卷积网络（GCN）结合门控循环单元（GRU）来捕获交通流数据的时空特征；然后提出了一种利用卷积门控单元对原始数据和时空特征数据进行拼接与筛选处理的方法来对时空特征数据的有效性进行校验；最后，将GRU作为解码器来对未来交通流作出准确可靠的预测。在洛杉矶公路的交通数据集上的实验结果表明，GC-STTFPM在单步预测（5 min）中与基于注意力的时空图神经网络（ASTGNN）和扩散卷积递归神经网络（DCRNN）相比，平均绝对误差（MAE）分别降低了5.9%和9.9%，均方根误差（RMSE）分别降低了1.7%和5.8%。同时，GC-STTFPM在15、30、60 min三个多步尺度下的预测精度优于大多数现有基准模型，具有较强的适应性和鲁棒性。

近年来，多核图聚类（MKGC）受到了广泛的关注，这得益于多核学习能有效地避免核函数与核参数的选择，而图聚类能充分挖掘样本间的复杂结构信息。然而现有的MKGC方法存在着如下问题：图学习技术使得模型复杂化，图拉普拉斯矩阵的高秩特性使其难以保证学到的关系图包含精确的c个连通分量（块对角性质），以及大部分方法忽略了候选关系图间的高阶结构信息，使得多核信息难以被充分利用。针对以上问题，提出了一种新的MKGC方法。首先，提出一种新的上界单纯形投影图学习方法，直接将核矩阵投影到图单纯形上，降低了计算复杂度；同时，引入一种新的块对角约束，使学到的关系图能保持精确的块对角属性；此外，在上界单纯形投影空间中引入低秩张量学习来充分挖掘多个候选关系图的高阶结构信息。在多个数据集上与现有的MKGC方法相比，所提出方法计算量小、稳定性高，在聚类精度（ACC）和标准互信息（NMI）指标上具有较大的优势。

群智能劳动分工是指任何启发于群居性昆虫和其他动物群体的集体行为而设计的算法和分布式问题解决方式，可以广泛用于现实生活中的任务分配问题。针对交通信号配时这类任务分配问题，引入描述蜜蜂个体之间交互方式的劳动分工理论，提出了一种基于群智能的蜂群双抑制劳动分工算法（BDILDA），该算法通过个体内部抑制剂和外部抑制剂的相互作用，达到群体劳动分工的动态调节。为了验证BDILDA的有效性，选取交通信号配时问题进行仿真实验。采用BDILDA对实际案例进行了交通信号配时求解，并把所得结果与Webster算法、群智能多种群蚁群算法（MCAA）、迁移蜂群（TBO）算法和反向烟花算法（BFWA）得出的结果进行了对比。实验结果显示所提算法减小平均延误时间14.3~20.1个百分点，减少平均停车次数3.7~4.5个百分点，在最大通行能力方面增加5.2~23.6个百分点。结果表明该算法适于求解不确定环境下的动态分配问题。

为研究在社团划分基础上复杂网络的级联抗毁攻击策略,采用节点及其邻居节点介数定义初始负荷,这种定义方式综合考虑了节点的信息,采用局部择优分配策略处理故障节点负荷,研究了网络耦合强度,WS(Watts-Strogatz)小世界网络、BA(Barabási-Albert)无标度网络、ER(Erds-Rényi)随机网络、局域世界(WL)网络在社团划分攻击策略下抗毁性,以及不同攻击策略下具有重叠和非重叠社团结构网络的抗毁性。仿真结果表明，网络的耦合强度与抗毁性成负相关；不同类型网络在快速分裂算法识别社团前提下,攻击介数最大节点时网络抗毁性最弱；具有重叠社团结构的网络在集团渗流算法（CPM）识别后,采用攻击重叠部分介数最大节点的策略时网络抗毁性最弱。结论表明采用社团划分的攻击策略可以最大规模破坏网络。

为研究社团结构对网络级联抗毁性的影响,结合一类多社团复杂网络模型,采用节点介数定义负荷,故障节点负荷采用局部择优分配策略,研究了在蓄意攻击下多社团网络负荷分配指数、社团内部耦合强度、社团间耦合强度、社团模块度等参数与级联抗毁性的关系。仿真结果表明负荷分配指数与级联抗毁性负相关,社团内部耦合强度、社团间耦合强度、社团模块度与级联抗毁性正相关。对比了BA(Barabási-Albert)网络和WS(Watts-Strogatz)网络的抗毁性,结果表明社团结构的存在降低了网络的抗毁性,负荷分配越均匀网络抗毁性越强。