诊断直肠癌时，如果能够从CT图像中自动准确分割出直肠肿瘤区域，将有助于医生进行更准确和快速的诊断。针对直肠肿瘤分割问题，提出基于U-Net改进模型的直肠肿瘤自动分割方法。首先在U-Net模型的每级编码器中嵌入子编码模块提升模型特征提取能力；其次通过对比不同优化器的优化性能，获得最适合的优化器用于训练模型；最后对训练集进行数据扩充使模型得到更充分的训练，从而提高分割性能。与U-Net、Y-Net和FocusNetAlpha三种网络模型进行的对比实验表明：所提改进模型得到的分割区域与真实肿瘤区域更接近，对小目标的分割性能更突出，该模型的查准率、查全率和Dice系数三个评价指标都优于对比的模型，能有效分割直肠肿瘤区域。

当前折扣{0-1}背包问题（D{0-1}KP）模型将折扣关系作为一个新的个体，导致求解过程必需采取修复法对个体编码进行修复，求解方式较少。针对求解方法单一的问题，通过改变模型中二进制的编码表达方式，提出折扣关系不在个体编码中的表达方法。首先，设定对任意折扣关系，当且仅当所涉及个体编码值同时为1（即其乘积为1）时，折扣关系成立，据此建立简化折扣{0-1}背包问题（SD{0-1}KP）模型；然后，针对SD{0-1}KP模型，基于杰出者保留策略（EGA），结合贪心策略（GRE），提出改进遗传算法——第一遗传算法（FG）；最后，再结合罚函数法，提出求解SD{0-1}KP高精度罚函数法——第二遗传算法（SG）。结果表明，SD{0-1}KP能够完全覆盖D{0-1}KP问题领域，与FirEGA相比，所提出的两类算法在求解速度方面优势明显，且SG算法首次引入罚函数法，有效地丰富了该问题的求解算法。

针对需求可拆分车辆路径问题（SDVRP），提出一种先分组后路径的聚类算法。该算法考虑车辆载重的均衡性和可行解的特征，优先安排载重大于等于车辆限载的客户；然后结合客户间的距离和载重，设定一个拆分阈值限定车辆载重范围，按照就近原则对客户进行聚类分组，当组内客户载重未达到车辆载重最小值而加入新客户后超出限载时，对新加入客户进行拆分和调整，最终完成对所有客户的分组；最后采用蚁群优化算法对各组内客户进行线路规划。实验结果表明，所提算法在求解需求可拆分车辆路径问题时，具有更高的稳定性，得到的结果更优。