针对睡眠阶段与睡眠呼吸暂停低通气之间相关性的问题，提出一种基于自适应多任务学习的睡眠生理时序分类方法。该方法利用单导脑电与心电检测睡眠分期和睡眠呼吸暂停低通气综合征（SAHS），构造双流时间依赖学习模块，在两个任务的联合监督下提取共享特征，设计自适应任务间关联性学习模块，利用通道注意力机制建模睡眠阶段和呼吸暂停低通气之间的相关性。在两个公开数据集上的实验结果表明，所提方法可以同时完成睡眠分期与SAHS检测。在UCD数据集上，所提方法睡眠分期准确率、宏F1分数（MF1）、受试者特性曲线下面积（AUC）与TinySleepNet相比分别提升了1.21个百分点、1.22个百分点和0.008 3，SAHS检测的宏F2分数（MF2）、受试者特性曲线下面积、召回率与6-layer CNN模型相比，分别提升了11.08个百分点、0.053 7和15.75个百分点，能检出更多患病片段。所提方法可应用于家庭睡眠监测或移动医疗中，实现高效、便捷的睡眠质量评估，辅助医生对SAHS进行初步诊断。
针对并行测试中任务优化调度这一关键性问题,提出了一种图染色理论和遗传蜂群算法相结合的任务调度优化算法.首先,建立了基于图染色理论的并行测试任务关系模型,用图来描述测试任务占用仪器资源的情况;然后, 在测试任务关系模型的基础上,将遗传算法特有的交叉、变异操作与人工蜂群(ABC)算法相结合搜索最优解,能够有效避免算法早熟并且加速算法收敛;最终得到并行度最大的任务分组方案.经仿真验证,所提方法能有效地实现并行测试,提高自动测试系统的测试效率.
在推荐系统中,为了在一定程度上减少用户评分数据稀疏对推荐效果的负面影响,提出了一种基于用户共同评分项目数和用户兴趣的协同过滤推荐算法。此算法将用户共同评分项目数和用户兴趣相似度相结合,使用户之间的相似度计算更加准确,为目标用户提供更好的推荐结果。仿真实验结果表明:所提算法比基于Pearson相似度计算方法的算法推荐效果更优，具有更小的平均绝对误差(MAE),表明了其有效性和可行性。
