多模态医学图像可以为临床医生提供靶区（如肿瘤、器官或组织）的丰富信息。然而，由于多模态图像之间相互独立且仅有互补性，如何有效融合多模态图像并进行分割仍是亟待解决的问题。传统的图像融合方法难以有效解决此问题，因此基于深度学习的多模态医学图像分割算法得到了广泛的研究。从原理、技术、问题及展望等方面对基于深度学习的多模态医学图像分割任务进行了综述。首先，介绍了深度学习与多模态医学图像分割的一般理论，包括深度学习与卷积神经网络（CNN）的基本原理与发展历程，以及多模态医学图像分割任务的重要性；其次，介绍了多模态医学图像分割的关键概念，包括数据维度、预处理、数据增强、损失函数以及后处理等；接着，对基于不同融合策略的多模态分割网络进行综述，对不同方式的融合策略进行分析；最后，对医学图像分割过程中常见的几个问题进行探讨，并对今后研究作了总结与展望。

用电动汽车进行冷链物流配送符合绿色物流的发展趋势。针对电动汽车冷链配送需消耗更多能源以维持低温环境，而电动汽车续驶里程短、充电时间长，致使运营成本高的现象，思考了电动汽车配送中的冷链车辆路径问题（REVRP）。考虑电动汽车能耗特点和社会充电站的充电需求，构建了以总配送成本最小为优化目标的线性规划模型，而目标函数由固定成本和可变成本构成，其中可变成本包含运输成本和制冷成本。模型考虑容量约束和电量约束，并设计混合蚁群（HACO）算法对其进行求解，其中重点设计了适合社会充电站的转移规则以及4种局部优化算子。在改进Solomon基准算例的基础上，形成了小规模和大规模两个算例集，并通过实验比较了蚁群（ACO）算法和局部优化算子的性能。实验结果表明，在小规模算例集中，传统ACO算法与CPLEX求解器均能找到精确解，而ACO算法在运算时间方面可节省99.6%；而在大规模算例集中，与ACO算法相比，结合4种局部优化算子的HACO算法的平均优化效率提升了4.45%。所提算法能够在有限时间内得出电动汽车REVRP的可行解。