针对现有表位预测方法对抗原中存在的重叠表位预测能力不佳的问题，提出了将基于局部度量（L-Metric）的重叠子图发现算法用于表位预测的模型。首先，利用抗原上的表面原子构建原子图并升级为氨基酸残基图；然后，利用基于信息流的图划分算法将氨基酸残基图划分为互不重叠的种子子图，并使用基于L-Metric的重叠子图发现算法对种子子图进行扩展以得到重叠子图；最后，利用由图卷积网络（GCN）和全连接网络（FCN）构建的分类模型将扩展后的子图分类为抗原表位和非抗原表位。实验结果表明，所提出的模型在相同数据集上的 F_{\mathrm{1}} 值与现有表位预测模型DiscoTope 2、ElliPro、EpiPred和Glep相比分别提高了267.3%、57.0%、65.4%和3.5%。同时，消融实验结果表明，所提出的重叠子图发现算法能够有效改善预测能力，使用该算法的模型相较于未使用该算法的模型的 F_{\mathrm{1}} 值提高了19.2%。

针对孙福艳等人所提出的一种基于高维混沌的图像加密算法，首先分析了原算法的缺陷，而后从安全性和效率上分别进行了改进并提出了相应的算法。理论分析和模拟实验的结果证明了改进算法在保持原算法优点的基础上能克服其缺陷，并且，最终的增强算法仅仅需要两轮就能取得一个满意的加密效果。