当前区间类型数据的规模越来越大，若采用传统的属性约简方法进行处理，就需要对数据进行预处理，而这会损失原始信息。针对上述问题，提出了区间值决策系统 β分布的约简算法。首先，给出区间值决策系统 β分布的概念和约简目标，并证明了提出的相关定理；然后，对于该约简目标构建了 β分布约简的差别矩阵和差别函数，提出了区间值决策系统 β分布约简算法；最后，使用14组UCI数据集进行实验验证。在数据集Statlog上，当相似度阈值为0.6，对象数目为100、200、400、600、846时， β分布约简算法的平均约简长度为1.6、2.2、1.4、2.4、2.6，基于差别矩阵的分布约简算法（DRADM）的平均约简长度为2.0、3.0、3.0、4.0、4.0，基于差别矩阵的最大分布约简算法（MDRADM）的平均约简长度为2.0、3.0、3.0、4.0、3.0。实验结果验证了所提 β分布约简算法的有效性。

城市交通路径规划需要考虑规划的快速性和车辆的安全性，而目前大多数强化学习算法不能兼顾两者。针对这个问题，首先提出采用基于模型的算法和与模型无关的算法相结合的Dyna框架，以提高规划的速度；然后使用经典的Sarsa算法作为选路策略，以提高算法的安全性；最后将两者结合提出了改进的基于Sarsa的Dyna-Sa算法。实验结果表明，提前规划步数越多的强化学习算法收敛速度越快。使用收敛速度和碰撞次数等指标，将Dyna-Sa算法与Q-学习算法、Sarsa算法和Dyna-Q算法进行对比，可知Dyna-Sa算法能够减少车辆在有障碍地图中的碰撞次数，保证车辆在城市交通环境中的安全性，同时能够提高算法收敛速度。

实际应用中存在大量动态增加的区间型数据，若采用传统的非增量正域属性约简方法进行约简，则需要对更新后的区间值数据集的正域约简进行重新计算，导致属性约简的计算效率大大降低。针对上述问题，提出区间值决策表的正域增量属性约简方法。首先，给出区间值决策表正域约简的相关概念；然后，讨论并证明单增量和组增量的正域更新机制，提出区间值决策表的正域单增量和组增量属性约简算法；最后，通过8组UCI数据集进行实验。当8组数据集的数据量由60%增加至100%时，传统非增量属性约简算法在8组数据集中的约简耗时分别为36.59 s、72.35 s、69.83 s、154.29 s、80.66 s、1498.11 s、4124.14 s和809.65 s，单增量属性约简算法的约简耗时分别为19.05 s、46.54 s、26.98 s、26.12 s、34.02 s、1270.87 s、1598.78 s和408.65 s，组增量属性约简算法的约简耗时分别为6.39 s、15.66 s、3.44 s、15.06 s、8.02 s、167.12 s、180.88 s和61.04 s。实验结果表明，提出的区间值决策表的正域增量式属性约简算法具有高效性。

现有的属性约简方法大部分关注决策系统中的所有决策类，而在实际决策过程中决策者往往仅关注决策系统中的一种或几种决策类。针对上述问题，提出基于多特定决策类的不完备决策系统正域约简的理论框架。首先，给出不完备决策系统单特定决策类正域约简的概念；第二，将单特定决策类正域约简推广到多特定决策类，构造了相应的差别矩阵及区分函数；第三，分析并证明了相关定理，提出基于差别矩阵的不完备决策系统多特定决策类正域约简算法（PRMDM）；最后，选取4组UCI数据集进行实验。在数据集Teaching-assistant-evaluation、House、Connectionist-bench和Cardiotocography上，基于差别矩阵的不完备决策系正域约简算法（PRDM）的平均约简长度分别为4.00、13.00、9.00和20.00，PRMDM算法（多特定决策类中决策类数目为2）的平均约简长度分别为3.00、8.00、8.00和18.00。实验结果验证了PRMDM算法的有效性。

传统启发式正域属性约简算法在每次迭代的过程中需要添加当前正域依赖度最大的属性进入已选定的特征属性子集，算法迭代次数多且效率低，难以应用于高维大规模数据集的特征选择中。针对上述问题，研究决策系统中正域之间的单调关系，给出了多尺度属性粒（MSAG）的形式化描述，提出了一种基于多尺度属性粒的快速正域约简算法（MAG-QPR）。由于多尺度属性粒包含多个属性，可以对已选定的特征属性子集提供较大的正域，因此，通过每次迭代添加MSAG，可以达到减少迭代次数和使选定的特征属性子集能更快地趋近于条件属性全集的正域分辨能力的目的，从而提高了启发式正域约简算法的效率。在实验部分，选取8组UCI数据进行实验，对于数据集Lung Cancer、Flag和German，MAG-QPR与基于正向近似的正域保持属性约简算法（FSPA-PR）、基于正向近似的条件熵属性约简算法（FSPA-SCE）、后向贪婪正域保持属性约简算法（BGRAP）和后向贪婪启发式广义决策保持属性约简算法（BGRAG）的运行时间加速比分别为9.64、15.70、5.03、2.50；3.93、7.55、1.69、4.57；3.61、6.49、1.30、9.51。实验结果表明，所提算法MAG-QPR提高了算法效率，具有更好的分类精度。

在大数据环境下，对移动众包系统的研究已经成为移动社会网络（MSN）的研究热点。然而由于网络个体的自私性，容易导致移动众包系统的不可信问题，为了激励个体对可信策略的选取，提出一种基于声誉的移动众包系统的激励机制——RMI。首先，结合演化博弈理论和生物学中的Wright-Fisher模型研究移动众包系统的可信演化趋势；在此基础上，分别针对free-riding问题和false-reporting问题建立相应的声誉更新方法，从而形成一套完整的激励机制，激励感知用户和任务请求者对可信策略的选取；最后通过模拟实验对提出的激励机制的有效性和适应性进行了验证。结果显示，与传统的基于社会规范的声誉更新方法相比，RMI有效地提高了移动众包系统的可信性。

现有的信任模型在信任路径搜索方面存在两个方面的不足:搜索过程中影响信任值的因素考虑得尚不够全面,或者同一而论;同时,对邻居节点选取时,忽略了双方交互次数的重要性。针对以上两点问题,基于图论提出了一种路径过滤性搜索算法。该算法首先引入基于交互次数的诚实可信度,用以进一步衡量节点的可信程度,并作为搜索优先级的依据,使得搜索的优先顺序更加合理。同时基于影响节点可信度的多重因素进行过滤性搜索。通过算法分析,该算法算法复杂度(n-m)²量级,比原一般细粒度算法n²量级明显降低。实验结果表明,该算法能够更好地过滤掉恶意节点,提高信任路径搜索算法的准确性,抵制恶意节点攻击。

结合信任的推荐系统可以有效地缓解传统协同过滤算法中存在的数据稀疏问题,并能给每个用户提供可信且准确的推荐。然而系统中的每个用户都是不同的,因此考虑针对不同用户应采用不同推荐模式来查找推荐群体,以做出更具个性化的推荐。研究了微观层次上的节点特性,引入了兴趣的概念,证明了被推荐者的多种节点特性对于推荐结果的影响效果。最后通过多组实验验证了推荐系统在具有不同特性的节点上的推荐效果差异。