针对大规模软件系统自动化异常检测任务中异常样本过少且异常反馈不及时的问题，提出一种基于生成对抗网络（GAN）与注意力机制的日志级异常检测算法。首先，通过日志模板将非结构化的日志转化为结构化的事件，每一个事件包含了日志的时间戳、签名与变量。其次，以滑动窗口的方式划分解析的事件序列，将产生的事件模式与下一时刻的事件组成真实的数据样本集。然后，将真实的事件模式作为训练样本输入来训练基于注意力机制的生成对抗网络，通过对抗学习的机制训练基于循环神经网络（RNN）的生成器直至收敛。最后，生成器通过输入的流式事件模式生成在新到来的事件模式下的正常与异常事件分布，并在系统管理员设置阈值的情况下，自动判断下一时刻的特定日志为正常事件或是异常事件。实验结果表明，提出的以门控循环单元网络为注意力权重并且用长短时记忆（LSTM）网络来解析事件模式的异常检测算法，比仅使用门控循环单元网络时的算法精准率提高了21.7%；此外，与日志级异常检测算法LogGAN相比，所提算法比LogGAN的异常检测精准率提升了7.8%。

针对当前云计算负载压力测试过程中，对所采集数据计算并行任务密度的算法效率较低的问题，基于空间换时间的思路，使用数学分析的方法，提出了一种时间复杂度为O(n lb n)，空间复杂度为O(n)的求解并行任务密度的高速算法。实验结果表明，该算法与时间复杂度同为O(n lb n)的OpenSTA算法相比，效率约有6~8倍的提升。该算法对多个相同的并行任务密度能够解得并行时长最长者，可以准确反映负载最重的情况。该算法适合云计算进行负载均衡算法设计时，获取真实参照数据使用。

针对当前中缀算术表达式求值算法笨重或者复杂的问题，提出了一种轻量化的中缀算术表达式求值算法。该算法基于逆向拆分中缀算术表达式的思路，使用递归解析的方法，等价于中缀算术表达式的构造二叉树表示。实验结果表明，该算法与传统逆波兰表达式(RPN)转换、求值算法相比，该算法无需做逆波兰表达式转换，无需人工栈辅助，实现代码量仅有其1/6，而效率仅下降6.9%。与W3Eval算法相比，该算法无需符号转置表，支持算符自定义或重定义，实现代码量不到其1/2。该算法实现代价低，适用于Web应用的Browser端，及嵌入式应用等轻量化应用场合。

基于分治策略，使用深度优先的方法，提出了一种用于线性表的稳定原地归并排序算法，其时间复杂度为O(n lb n)，辅助空间复杂度为O(1)，递归栈空间复杂度为O(lb n)，同时进行了算法分析和实验测试。实验结果表明，该算法效率较STL中的稳定原地归并排序算法有67.51%的提升，解决了稳定排序算法中要么时间复杂度高要么空间复杂度高的问题。

将人工智能(Artificial Intelligence, AI)领域的理论和技术与地理信息系统(Geographic Information System, GIS)相结合来设计地理信息系统专题分析模型是GIS的重要发展方向之一。本文基于这一背景讨论了GIS专题知识的表示，提出了扩展的框架知识表示方法以及框架复合的思想，并进一步阐述了通过框架复合操作对概念语义进行限定以达到语义精确化。