针对移动群智感知（MCS）中在用户数据提交阶段的隐私保护困难和因隐私保护造成成本增加的问题，基于本地差分隐私（LDP）保护原理设计出用户提交数据属性联合隐私保护的CS-MVP算法和用户提交数据属性独立隐私保护的CS-MAP算法。首先，基于属性关系构建用户提交数据的隐私性模型和任务数据的可用性模型，利用CS-MVP和CS-MAP算法解决隐私性约束下的可用性最大化问题；并且在边缘计算支持的MCS场景中，构建用户提交数据隐私保护下的三层MCS架构。理论分析证明了两个算法分别在数据属性联合隐私约束下和数据属性独立隐私约束下的最优性。实验结果表明，在相同隐私预算和数据量下，相较于LoPub和PrivKV，基于CS-MVP和CS-MAP算法的用户提交数据恢复正确感知数据的准确率分别平均提高了26.94%、84.34%和66.24%、144.14%。

针对当前我国大气污染防治正逐步由污染治理转向风险防控，而现有空气质量监测设备和平台服务仅限于环境监测而非暴露监测的问题，设计研发了一套基于B/S架构的可视化综合分析与决策支持平台——大气污染暴露风险测量系统（APERMS）。首先，基于大气污染浓度监测数据和暴露时空行为活动模式，耦合集成污染浓度制图、个体暴露测量、人群暴露测量、暴露风险评价这一完整的大气污染暴露风险测量技术路线；其次，基于高可用和可靠原则，进行系统的总体架构设计、数据库设计和功能模块设计；最终，采用GIS与J2EE Web等技术，完成APERMS开发，实现了大气污染浓度分布高时空分辨率模拟、个体和人群大气污染暴露状况精准评估、大气污染暴露风险水平全方位评价等功能。APERMS主要应用于大气污染监控和环境健康管理行业，为风险规避和污染防控提供有效的技术支持。

针对原始粒子群优化算法（PSO）在搜索过程中容易陷入局部最优点的问题，并尽量避免破坏种群多样性，提出一种含交叉项的混合二范数粒子群优化算法HTPSO。首先，利用二范数原理计算当前粒子与个体历史最优粒子间的欧氏距离；其次，将欧氏距离引入速度迭代公式以影响社交项对粒子速度的作用，并按照一定规律随机分布惯性权重；最后，在此基础上简化粒子群算法，并将差分进化（DE）算法中的交叉算子融入该算法中，使粒子能在一定概率下与个体历史最优粒子交叉。为了验证HTPSO的性能，与利用正弦函数改进惯性权重的粒子群优化算法（SinPSO）、自适应粒子群优化算法（SelPSO）、基于自适应惯性权重的均值粒子群优化算法（MAWPSO）和简化粒子群优化算法（SPSO）在不同维度下解决8个常用基准函数，并根据T-test、成功率和平均迭代次数分析了各算法的优化结果。实验结果表明，HTPSO具有较优秀的收敛能力，且粒子运动非常灵活。

为了克服差分进化算法寻优精度低、收敛速度慢、稳定性差等不足，提出一种基于多变异策略的自适应差分进化算法（ADE-MM）。首先，在3个变异策略的选择过程中添加2个具有学习功能的扰动阈值，以提高种群多样性，扩大搜索范围；然后，根据上次迭代的成功参数自适应调整当前参数，提高寻优精度和寻优速度；最后，利用向量粒子池法和中心粒子法产生新的向量粒子，进一步提高寻优效果。使用8个函数、5种对比算法（RMDE、OLCPDE、JADE、SaDE、MDE_pBX）进行测试，且每种例子都独立执行30次。ADE-MM算法在均值和方差的比较中取得了全胜，其中在30维的情况下取得了5个独立胜利，3个并列胜利；在50维的情况下取得了6个独立胜利，2个并列胜利；在100维的情况下全部为独立胜利。同时在Wilcoxon rank sum test、胜率和算法耗时分析中，ADE-MM算法也取得优异的表现。实验结果表明，相对于其他5种对比算法，ADE-MM算法具有更强的全局寻优能力、收敛性和稳定性。