针对城市计算中的可达区域搜索问题，提出一种基于时间线段树的搜索方法。该方法中，设计了存储局部可达区域的时间线段树结构，并提出动态自适应的可达区域搜索算法，从而提高了城市可达区域搜索的效率与准确率。该方法主要包括4个步骤：根据道路速度分布模型和轨迹数据生成道路段的概率时间权重；利用层级跳跃表算法进行短时间可达区域的查询与存储；利用时间线段树对层级可达区域建立高效的索引结构；使用时间线段树索引在道路网络中进行迭代搜索，最终输出可达区域集合。在北京市道路网络和出租车轨迹数据集上进行了大量实验，结果表明，与最新的单点上下界限区域可达查询（SQMB）方法比较，该方法在时间效率和准确率上分别提高了18.6%和25%。

针对动态优化问题（DOP）的求解，提出结合多种群方法和竞争策略的差分进化算法（DECS）。首先，将一个种群作为侦测种群，通过监测种群中所有个体的评价值和种群维度来判断环境是否发生变化。其次，将余下多个种群作为搜索种群，独立搜索环境中的最优值。在搜索过程中，引入排除规则，避免多个搜索种群聚集在同一个局部最优的邻域。在迭代若干代后对各搜索种群执行竞争操作，保留评估值最优个体所在的种群并对该种群的下一代个体生成采用量子个体生成机制，而对其他搜索种群重新初始化。最后，利用7个测试函数的49个动态变化问题对DECS进行验证，并将实验结果与人工免疫算法（Dopt-aiNet）、复位粒子群优化（rPSO）算法、改进差分进化（MDE）算法进行比较。实验结果表明，在49个问题上，DECS有34个问题的平均离线误差期望小于Dopt-aiNet算法，所有问题的平均离线误差期望都小于rPSO算法和MDE算法，因此DECS对DOP求解动态优化问题是可行的。