云计算环境中的资源具有动态性和异构性，大规模任务资源分配的目标是最小化完成时间和资源占用，同时具有尽可能好的负载均衡，这是一个非确定性多项式（NP）问题。借鉴智能群体算法的优点，提出基于改进的粒子群优化（PSO）算法构建混合式群体智能调度策略——动态随机扰动的PSO策略（DRDPSO）。首先，将PSO的惯性权重常数修改为变量，实现对求解过程收敛速度的合理控制；其次，缩小每次迭代的搜索范围，在保留候选最优集合的前提下减少无效搜索；然后，引入选择操作，筛选出优质个体并传递到下一代；最后，设计随机扰动，提高候选解的多样性，在一定程度上避免了局部最优陷阱。在CloudSim平台上进行了两类仿真测试，结果表明，处理同构任务时，在大部分情况下DRDPSO的指标都优于模拟退火遗传算法（SAGA）和遗传算法（GA）+PSO算法，总执行时间比SAGA减少13.7%~37.0%，比GA+PSO减少13.6%~31.6%；其资源耗费比SAGA减少9.8%~17.1%，比GA+PSO减少0.6%~31.1%；其迭代次数比SAGA减少15.7%~60.2%，比GA+PSO减少1.4%~54.7%；其负载均衡度比SAGA减小8.1%~18.5%，比GA+PSO减少2.7%~15.3%，且波动幅度最小。处理异构任务时，三种算法表现出相似的规律：CPU型任务的总执行时间最多，混合型任务次之，IO型任务最少，DRDPSO的综合指标最好，较为适合处理多种类型的异构任务，而GA+PSO算法适合快速求解混合型任务，SAGA则适合快速求解IO型任务。所提DRDPSO在处理较大规模的同构和异构任务时，能够较为明显地缩短总的任务执行时间，不同程度地提高资源利用率，并适当兼顾计算节点的负载均衡。

为准确检测并量化评估毛刺征,提出一种CT图像肺结节的毛刺检测与量化评估方法。首先利用区域生长算法与水平集方法结合进行结节主体的准确分割；而后利用线性滤波模板提取结节主体周边区域的毛刺；最后引入毛刺水平指数作为毛刺特征的量化指标。在此基础上对结节有无毛刺进行分类,并与肺部图像数据库联盟(LIDC)的量化评级进行一致性和相关性分析。实验结果表明,该方法可以有效地检测并定量描述CT图像肺结节的毛刺征。

回答集程序设计(ASP)是一种主流的非单调知识表示工具。为了能够在利用ASP求解问题过程中使用现有的以经典逻辑表示的知识,给出了一种把以谓词逻辑公式表示的约束型知识和定义型知识转化为ASP程序或知识库的新方法,并以实例说明了其有效性。该方法满足转化后ASP程序的回答集与原公式集的模型具有一一对应关系。在实际应用中,该方法提供了一项从现存的以谓词逻辑为表示语言的知识库,构建以ASP为知识表示语言的非单调知识库的技术。