针对推荐算法中的数据稀疏问题，通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移，导致模型无法描述用户兴趣的动态变化特征，也忽略了社交影响的动态特性，导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先，利用自注意力机制构建用户交互物品的序列模型，以实现对用户兴趣的动态描述；然后，设计具有时间遗忘的注意力机制对社交短期兴趣进行建模，并设计具有协同特性的注意力机制对社交长期兴趣进行建模；最后，融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示，SLSRec模型与DiffNet模型相比，在稀疏数据集上的HR指标提升了8.5%；与SASRec模型相比，在稠密数据集上的NDCG指标提升了2.1%，表明考虑社交信息的动态特性使推荐结果更加准确。

三角剖分过程是影响三维重建系统实时性的瓶颈之一，为提高三角剖分速度，基于共享内存多核计算机设计并实现了并行Delaunay算法。该算法在分治三角剖分算法的基础上，通过改进子三角网归并过程及Delaunay三角网优化过程避免了并行计算中的数据竞争问题。利用月面仿真实验场真实地形数据在50万到500万不同规模的点云数据集上进行了实验，加速比最高可达6.44。除此之外，对算法复杂度、加速比以及并行效率进行了全面分析，并将算法实际应用于月面地形重构系统，实现了虚拟地形的快速构建。

铁路危险货物办理站点作为铁路危险货物运输基础设施之一，其选址布局、建设规模和职能分工的合理性对于提高铁路危险货物运输效率、满足运输需求和环境风险控制目标都至关重要。为了有效解决铁路危险货物办理站点整合优化的多目标选址—分派模型组合方案规模庞大、计算困难的问题，采用了组合遗传算法对此问题进行优化。算例结果显示，该算法具有收敛速度快、运行稳定的特点，能够有效解决相关问题。