针对人脸图像在待修复缺损面积较大时，现有方法的修复存在图像语义理解不合理、边界不连贯等视觉瑕疵的问题，提出基于密集连接块的U-Net结构的端到端图像修复模型，以实现对任意模板的语义人脸图像的修复。首先，采用生成对抗网络思想，生成器采用密集连接块代替U-Net中的普通卷积模块，以捕捉图像中缺损部分的语义信息并确保前面层的特征被再利用；然后，使用跳连接以减少通过下采样而造成的信息损失，从而提取图像缺损区域的语义；最后，通过引入对抗损失、内容损失和局部总变分（TV）损失这三者的联合损失函数来训练生成器，确保了修复边界和周围真实图像的视觉一致，并通过Hinge损失来训练判别器。所提模型和GLC、DF、门控卷积（GC）在人脸数据集CelebA-HQ上进行了对比。实验结果表明，所提模型能有效提取人脸图像语义信息，修复结果具有自然过渡的边界和清晰的局部细节。相较性能第二的GC，所提模型对中心模板修复的结构相似性（SSIM）和峰值信噪比（PSNR）分别提高了5.68%和7.87%，Frechet Inception距离（FID）降低了7.86%；对随机模板修复的SSIM和PSNR分别提高了7.06%和4.80%，FID降低了6.85%。

在终端直传（D2D）缓存网络中，用户有限且各异的缓存能力是制约缓存效率的一个关键参数，然而现有文献大多考虑不同用户具有相同的缓存能力，针对这一不足有必要进行用户具有不同缓存容量下的D2D内容缓存布设方案优化。首先，鉴于用户终端的移动性和随机分布特性，利用随机几何理论将网络中不同缓存容量的用户节点建模为相互独立的齐次泊松点过程；其次，考虑本地卸载和邻近D2D链路卸载两种内容卸载方式，推导得到网络缓存命中率；最后，将最大化缓存命中率作为优化目标函数，提出了基于坐标梯度的联合缓存布设（JCP）算法，从而得到多用户多缓存容量场景下的内容缓存布设方案。仿真结果表明，与现有的缓存布设方案相比，由JCP得到的缓存布设方案可以有效提高缓存命中率。

为了在服务组合演化过程中高效地选择满足服务请求的Web服务，提出了一种基于混合协同进化算法的Web服务组合演化策略。首先，利用改进模糊C均值聚类算法将Web服务演化单元按应用分类；然后，利用带权值的粒子群算法对划分好的子群进行内部择优；最后，对各个子群进行协同进化，使得针对用户服务请求，能够选出最优Web服务演化组合。实验结果表明，混合协同进化算法无论在算法稳定性或是算法运算时间上都优于传统协同进化算法，且对于Web环境下大量的服务请求能够提供优质、高效的服务。