针对传统的实例选择算法会误删训练集中非噪声样本、算法效率低的不足，提出了一种面向 K最近邻（ KNN）的遗传实例选择算法。该算法采用基于决策树和遗传算法的二阶段筛选机制，先使用决策树确定噪声样本存在的范围；再使用遗传算法在该范围内精确删除噪声样本，可有效地降低误删率并提高效率，采用基于最近邻规则的验证集选择策略，进一步提高了遗传算法实例选择的准确度；最后引进基于均方误差（MSE）的分类精度惩罚函数来计算遗传算法中个体的适应度，提高有效性和稳定性。在20个数据集上，该方法相较于基于预分类的 KNN （PR KNN）、基于协同进化的实例特征选择算法（IFS-CoCo）、 K最近邻（ KNN），在分类精度上的提升分别为0.07~26.9个百分点、0.03~11.8个百分点、0.2~12.64个百分点，在AUC和Kappa的上的提升分别为0.25~18.32个百分点、1.27~23.29个百分点、0.04~12.82个百分点。实验结果表明，该方法相较于当前实例选择算法在分类精度和分类效率上均具有优势。

全文检索等应用要求对文本进行精细表示。针对传统主题模型只能挖掘文本的主题背景,无法对文本的侧重点进行精细描述的问题,提出一种低秩稀疏文本表示模型,将文本表示分为低秩和稀疏两部分,低秩部分代表主题背景,稀疏部分则是对主题中不同方面的关键词描述。为了实现文本低秩部分和稀疏部分的分解,定义了主题矩阵,并引入鲁棒性主成分分析(PCA)方法进行矩阵分解。在新闻语料数据集上的实验结果表明,模型复杂度比隐含狄利克雷分配（LDA）模型降低了25%。在实际应用中,将模型所得的低秩部分应用于文本分类,分类所需的特征减少了28.7%,能用于特征集的降维;将稀疏部分应用于全文检索,检索结果精确度比LDA模型提高了10.8%,有助于检索结果命中率的优化。

当前，开发灵活的适应环境变化的上下文感知应用较为复杂。在上下文感知应用开发过程中，很多未知情况无法事先被充分考虑到，实际的开发又需要处理很多意外情形，因此有效地表示和处理上下文尤为重要。谓词检测作为实现上下文感知的重要方法之一，能够有效对上下文信息进行建模，但在实际应用中对于真实物理设备的支持如何在很大程度上仍然是未知的。为了应对以上问题，通过构建一个简单的物理场景，将谓词检测方法应用于真实的机器小车上，支持其在一个既定轨道上完成运行任务。在该场景下对原始的上下文环境进行建模，将环境特性逐步规约成特定的快照谓词和序列谓词，并在案例研究中，对规约化的谓词进行检测，将谓词检测应用于真实的机器小车实验上。实验分析的结果表明,谓词检测的方法能有效检测小车的上下文特性并成功支撑小车完成既定的行走目标。

针对基于LEACH以轮为操作单位的算法存在的轮内死亡问题，提出了变长轮的思想，即轮长随网络能量的变化而变化。有效地解决了因轮长过大，导致多数簇头轮内死亡；轮长过小，造成没有必要的能量消耗和频繁的簇头更迭的问题。仿真结果表明:变长轮方法较传统的定长轮方法提高了网络使用效率，增强了网络的可用性。

根据E Gamma的设计模式基本要素,描述了消费者/供应者设计模式。该模式有效地解耦了逻辑模块之间的相关性,使其具体实现相对独立,并为逻辑模块的使用者提供了服务接口。同时将适配对象实例化的指数问题降为线性结果,也避免了逻辑模块之间的关联性带来的适配对象释放问题。

对n类不同的独立任务在m个不同机器上加工的多任务平行非同类机的加工调度问题进行了探讨，提出了一种基于指派与调度的复合策略的算法，最后用实例进行了排序。通过与文献中的实例比较，证明该方法具有一定的优越性。