随着物联网（IoT）的快速发展，大量在传感器等边缘场景产生的数据需要传输至云节点处理，这带来了极大的传输成本和处理时延，而云边协同为这些问题提供了有效的解决方案。首先，在全面调查和分析云边协同发展过程的基础上，结合当前云边智能协同中的研究思路与进展，重点分析和讨论了云边架构中的数据采集与分析、计算迁移技术以及基于模型的智能优化技术；其次，分别从边缘端和云端深入分析了各种技术在云边智能协同中的作用及应用，并探讨了云边智能协同技术在现实中的应用场景；最后，指出了云边智能协同目前存在的挑战及未来的发展方向。
随着移动设备和新兴移动应用的广泛使用，移动网络中流量的指数级增长所引发的网络拥塞、时延较大、用户体验质量差等问题无法满足移动用户的需求。边缘缓存技术通过对网络热点内容的复用，能极大缓解无线网络的传输压力；同时，该技术减少用户请求的网络时延，进而改善用户的网络体验，已经成为面向5G/Beyond 5G的移动边缘计算（MEC）中的关键性技术之一。围绕移动边缘缓存技术，首先介绍了移动边缘缓存的应用场景、主要特性、执行过程和评价指标；其次，对以低时延高能效、低时延高命中率及最大化收益为优化目标的边缘缓存策略进行了分析和对比，并总结出各自的关键研究点；然后，阐述了支持5G的MEC服务器的部署，并在此基础上分析了5G网络中的绿色移动感知缓存策略和5G异构蜂窝网络中的缓存策略；最后，从安全、移动感知缓存、基于强化学习的边缘缓存、基于联邦学习的边缘缓存以及Beyond 5G/6G网络的边缘缓存等几个方面讨论了边缘缓存策略的研究挑战和未来发展方向。
高准确率的资源负载预测能够为实时任务调度提供依据，从而降低能源消耗。但是，针对资源负载的时间序列的预测模型，大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测，忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测，提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先，利用格拉姆角场（GAF）将时间序列转变为图像格式数据，以便利用卷积神经网络（CNN）来提取特征；然后，通过卷积神经网络提取空间特征和短期数据的特征，用长短期记忆（LSTM）网络来提取时间序列的长时序依赖特征；最后，将所提取的长、短时序依赖特征通过双通道进行融合，从而实现长期资源负载预测。实验结果表明，所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差（MAE）为3.823，均方根误差（RMSE）为5.274，拟合度（R2）为0.815 8，相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型，以及资源负载预测模型LSTM-ED和XGBoost，所提模型的预测准确率更高。
无人机（UAV）灵活机动、易于部署，可以辅助移动边缘计算（MEC）帮助无线系统提高覆盖范围和通信质量，但UAV辅助MEC系统研究中存在计算延迟需求和资源管理等挑战。针对UAV为地面多个终端设备提供辅助计算服务的时延问题，提出一种基于双延迟深度确定性策略梯度（TD3）的时延最小化任务卸载算法（TD3-TOADM）。首先，将优化问题建模为在能量约束下的最小化最大计算时延的问题；其次，通过TD3-TOADM联合优化终端设备调度、UAV轨迹和任务卸载比来最小化最大计算时延。仿真实验分析结果表明，与分别基于演员-评论家（AC）、深度Q网络（DQN）以及深度确定性策略梯度（DDPG）的任务卸载算法相比，TD3-TOADM得到的计算时延减小了8.2%以上。可见TD3-TOADM能获得低时延的最优卸载策略，具有较好的收敛性和鲁棒性。
针对量子硬件规模逐步扩大、当下量子计算经典模拟速度不高的问题，提出了基于神威超算量子模拟器的两种优化方法。首先，通过改进张量转置策略和计算策略重新构建了张量收缩算子库SWTT，从而提高了部分张量收缩的计算内核效率并减少了冗余访存；其次，通过提高数据局部性的收缩路径调整方法实现了路径计算复杂度和计算效率之间的均衡。测试结果表明，该算子库改进方法可将“悬铃木”量子霸权电路模拟效率提升5.4%，单步张量收缩效率最高提升49.7倍；该路径调整方法可在路径计算复杂度膨胀2倍条件下提升约4倍的浮点效率。两种优化方法使神威超算整机模拟谷歌53量子比特20层量子芯片随机电路百万振幅采样的单精度和混合精度浮点运算效率分别从3.98%和1.69%提升至18.48%和7.42%，理论估计模拟时间从单精度的470 s降至226 s，混合精度的304 s降至134 s，证明两种方法大幅提高了量子计算模拟速度。
针对标准黏菌算法（SMA）存在的容易陷入局部最优解、收敛速度慢以及求解精度低等问题，提出一种多策略融合的改进黏菌算法（MSISMA）。首先，引入布朗运动和莱维飞行机制以增强算法的搜索能力；其次，根据算法进行的不同阶段分别改进黏菌的位置更新公式，以提高算法的收敛速度和收敛精度；然后，应用区间自适应的反向学习（IAOBL）策略生成反向种群，以提升种群的多样性和质量，从而提高算法的收敛速度；最后，引入收敛停滞监测策略，当算法陷入局部最优时，通过对部分黏菌个体的位置重新初始化使算法跳出局部最优。选取23个测试函数，将MSISMA与平衡黏菌算法（ESMA）、黏菌-自适应引导差分进化混合算法（SMA-AGDE）、SMA、海洋捕食者算法（MPA）和平衡优化器（EO）进行测试和比较，并对算法运行结果进行Wilcoxon秩和检验。相较于对比算法，MSISMA在19个测试函数上获得最佳平均值，在12个测试函数上获得最佳标准差，优化精度平均提升23.39%~55.97%。实验结果表明，MSISMA的收敛速度、求解精度和鲁棒性明显较优。
研究多机器人任务分配（MRTA）的目的是提高智能工厂中机器人完成任务的效率。针对现有算法在处理大规模、多约束的MRTA时存在不足的问题，提出一种结合遗传算法和滚动调度的MRTA算法（ACGARS）。首先，在遗传算法中采用基于有向无环图（DAG）的编码方式高效地处理任务之间的优先级约束；其次，在遗传算法的初始种群中加入先验知识以提高算法的搜索效率；最后，设计基于任务组的滚动调度策略用于减小求解问题的规模，从而实现对大规模问题的高效求解。在大规模问题实例上的实验结果表明，相较于构造性启发式算法（CHA）、最小化干扰算法（MIA）和基于惩罚策略的遗传算法（GAPS）生成的方案，当任务组数为20时，所提算法生成的方案的平均订单完成时间分别缩短了30.02%、16.86%和75.65%，验证了所提算法能有效地缩短订单的平均等待时间，提升多机器人任务分配效率。
在边缘计算（EC）网络中，针对边缘节点计算资源和存储空间有限的问题，提出一种基于改进深度强化学习（DRL）的边缘计算服务卸载（ECSO）算法，以降低节点处理时延和提高服务性能。具体来说，将边缘节点服务卸载问题转化为资源受限的马尔可夫决策过程（MDP），利用DRL算法解决边缘节点的请求状态转移概率难以精确预测的问题；考虑到边缘节点执行缓存服务的状态动作空间过大，定义新的动作行为替代原有动作，并依据提出的动作筛选算法得到最优动作集合，以改进计算动作行为奖励值的过程，进而大幅度降低动作空间大小，提高算法训练的效率以及收益。仿真实验结果表明，对比原深度Q网络（DQN）算法、邻近策略优化（PPO）算法以及传统的最流行（MP）算法，ECSO算法的总奖励值分别提升了7.0%、12.7%和65.6%，边缘节点服务卸载时延分别降低了13.0%、18.8%和66.4%，验证了算法的有效性，说明ECSO能有效提升边缘计算服务的卸载性能。
针对传统萤火虫算法（FA）中存在的易陷入局部最优及收敛速度慢等问题，把莱维飞行和精英参与的交叉算子及精英反向学习机制融入到萤火虫优化算法中，提出了一种多策略融合的改进萤火虫算法——LEEFA。首先，在传统萤火虫算法的基础上引入莱维飞行，从而提升算法的全局搜索能力；其次，提出精英参与的交叉算子以提升算法的收敛速度和精度，并增强算法迭代过程中解的多样性和质量；最后，结合精英反向学习机制进行最优解的搜索，从而提高FA跳出局部最优的能力和收敛性能，并实现对于解搜索空间的迅速勘探。为验证所提出的算法的有效性，在基准测试函数上进行了仿真实验，结果表明相较于粒子群优化（PSO）算法、传统FA、莱维飞行萤火虫算法（LFFA）、基于莱维飞行和变异算子的萤火虫算法（LMFA）和自适应对数螺旋-莱维飞行萤火虫优化算法（ADIFA）等算法，所提算法在收敛速度和精度上均表现得更为优异。
K-Means算法在处理大规模异构数据时，通常使用欧氏距离来衡量数据点之间的相似度，然而这样存在效率低下以及计算复杂性过高的问题。受到汉明距离在处理数据相似性计算上存在显著优势的启发，提出一种基于汉明距离的量子K-Means（QKMH）算法来计算相似度。首先，将数据制备成量子态，并使用量子汉明距离计算待聚类点和K个聚类中心之间的相似度；然后，改进了Grover最小值搜索算法查找距离待聚类点最近的聚类中心；最后，循环以上步骤，直到达到规定迭代次数或者聚类中心不再改变。基于量子模拟计算框架QisKit，将提出的算法在MNIST手写数字数据集上进行了验证并与传统和改进的多种方法进行了对比，实验结果表明，QKMH算法的F1值相较于基于曼哈顿距离的量子K-Means算法提高了10个百分点，相较于最新优化的基于欧氏距离的量子K-Means算法提高了4.6个百分点；同时经计算，QKMH算法时间复杂度比上述对比算法更低。
针对麻雀搜索算法（SSA）存在寻优精度不高且易陷入局部最优的问题，提出一种基于多个改进策略的增强麻雀搜索算法（EMISSA）。首先，为平衡算法的全局和局部搜索能力，引入模糊逻辑来动态调整麻雀发现者的规模；其次，对麻雀跟随者进行混合差分变异操作以产生变异子群，从而增强EMISSA跳出局部最优的能力；最后，通过拓扑对立学习（TOBL）产生当前麻雀发现者个体的拓扑对立解，以充分挖掘搜索空间内的优质位置信息。通过2013年进化计算大会（CEC2013）中的12个测试函数评估EMISSA、标准SSA以及混沌麻雀搜索优化算法（CSSOA）等改进麻雀算法的性能。实验结果表明，EMISSA在30维情况下，在12个测试函数上获得了11个第一；在80维情况下，在所有的测试函数上都获得了第一。而在Friedman检验中，EMISSA的排名均获得了第一。将EMISSA应用于障碍物环境下的无线传感器网络（WSN）节点部署，实验结果表明，相较于其他算法，EMISSA获得了最高的无线节点覆盖率，节点分布更均匀，覆盖冗余更少。
针对具有截止期的云工作流完成时间与执行成本冲突的问题，提出一种混合自适应粒子群工作流调度优化算法（HAPSO）。首先，基于截止期建立有向无环图（DAG）云工作流调度模型；然后，通过范数理想点与自适应权重的结合，将DAG调度模型转化为权衡DAG完成时间和执行成本的多目标优化问题；最后，在粒子群优化（PSO）算法的基础上引入自适应惯性权重、自适应学习因子、花朵授粉算法的概率切换机制、萤火虫算法（FA）和粒子越界处理方法，从而平衡粒子群的全局搜索与局部搜索能力，进而求解DAG完成时间与执行成本的目标优化问题。实验中对比分析了PSO、惯性权重粒子群算法（WPSO）、蚁群算法（ACO）和HAPSO的优化结果。实验结果表明，HAPSO在权衡工作流（30~300任务数）完成时间与执行成本的多目标函数值上降低了40.9%~81.1%，HAPSO在工作流截止期约束下有效权衡了完成时间与执行成本。此外，HAPSO在减少完成时间或降低执行成本的单目标上也有较好的效果，验证了HAPSO的普适性。
针对卷积神经网络（CNN）中的传统池化算法不能很好地考虑到池化域内每个元素与该池化域所含特征之间关联性的问题，提出一种基于高斯函数的池化算法。首先根据池化域内各元素的值和所有元素的最大值计算高斯函数的三个参数值，然后运用高斯函数计算池化域内所有元素的权重，最后根据这些权重对池化域内所有元素值计算加权平均值，并以此作为池化结果。选择LeNet5、VGG16、ResNet18和MobileNet v3作为实验模型，在公开数据集CIFAR-10、Fer2013和德国交通标志识别基准（GTSRB）上进行实验，并与最大池化、平均池化、随机池化、混合池化、模糊池化、融合随机池化和soft池化这七种池化算法进行对比。实验结果表明，所提算法在三个数据集上相较其他算法在精度方面均有0.5个百分点到6个百分点的提升，且在运行效率方面优于上述除最大池化和平均池化两种池化算法外的其他池化算法，从而验证所提算法有效且具适合应用于对运算时间要求不高但对精度要求较高的情况。
双层规划涉及上层和下层两个最优化问题，上层规划问题的约束域由下层规划问题隐式确定，双层优化以上层目标为主，而下层目标在下层变量方面必须达到最优。双层规划问题的递阶结构使其具有很高的计算复杂度，特别是频繁计算下层问题会累计很大的计算量。为了有效求解这类问题，提出一种基于近似技术的进化算法。首先，采取多种群协同进化，分别利用交叉和变异算子平衡算法的开采和勘探能力；其次，基于灵敏度分析理论，设计了新个体的近似评价方式以减少算法的下层求解次数。一个算例的近似效果演示结果表明，由近似技术得到的近似后代个体与精确后代个体的位置大部分是重合的。除此之外，在10个常用算例上的结果显示，所提算法比多值映射算法获得了更好的最优解；并且根据CPU时间比较，说明近似技术有效地提高了找到最优解的速度，减少了运行时间，验证了所提算法采取的近似技术的有效性。
针对卷积神经网络（CNN）在异构平台执行推理时存在硬件资源利用率低、延迟高等问题，提出一种CNN推理模型自适应划分和调度方法。首先，通过遍历计算图提取CNN的关键算子完成模型的自适应划分，增强调度策略灵活性；然后，基于性能实测与关键路径-贪婪搜索算法，在CPU-GPU异构平台上根据子模型运行特征选取最优运行负载，提高子模型推理速度；最后利用张量虚拟机（TVM）中跨设备调度机制，配置子模型的依赖关系与运行负载，实现模型推理的自适应调度，降低设备间通信延迟。实验结果表明，与TVM算子优化方法在GPU和CPU上的推理速度相比，所提方法在模型推理准确度无损前提下，推理速度提升了5.88%~19.05%和45.45%~311.46%。
针对群智能优化算法在优化过程中容易陷入局部最优、种群多样性低以及高维函数优化困难的问题，提出一种基于布朗运动与梯度信息的交替优化算法（AOABG）。首先，采用全局、局部搜索交替的寻优策略，即在有变优趋势的范围内切换为局部搜索，有变劣趋势的范围内切换为全局搜索；然后，局部搜索引入基于梯度信息的均匀分布概率的随机游走，全局搜索引入基于最优解位置的布朗运动的随机游走。将所提出的AOABG与近三年的哈里斯鹰优化算法（HHO）、麻雀搜索算法（SSA）、特种部队算法（SFA）在10个测试函数上对比。当测试函数维数为2、10时，AOABG在10个测试函数上的100次最终优化结果的均值与均方差均优于HHO、SSA与SFA。当测试函数为30维时，除了HHO在Levy函数上的表现优于AOABG（两者优化结果均值处于同一数量级）外，AOABG在其他9个测试函数上表现最好，与上述算法相比，优化结果均值提升了4.64%~94.89%。实验结果表明，AOABG在高维函数优化中收敛速度更快、稳定性更好、精度更高。
针对任务调度中存在的任务完成时间长、系统执行任务成本高且系统负载不均衡等问题，提出了一种基于正交自适应鲸鱼优化算法（OAWOA）的云计算任务调度方法。首先，将正交试验设计（OED）应用于种群初始化和全局搜索阶段，以提升和维持种群的多样性，避免算法过早陷入局部收敛状态；然后，利用自适应指数递减因子和双向搜索机制，来进一步加强算法的全局搜索能力；最后，对适应度函数进行优化，从而使算法实现多目标优化。通过仿真实验将所提的算法与鲸鱼优化算法（WOA）、粒子群优化（PSO）算法、蝙蝠算法（BA）以及其他两种改进的WOA进行比较。实验结果表明，在任务规模为50和500时所提算法都取得了更好的收敛效果，并且得到的系统执行任务的总时间和总成本均低于其他几种算法，同时负载均衡度仅低于BA。可见，所提算法在降低系统执行任务的总时间和总成本以及提高系统负载均衡方面均表现出了显著的优势。
在分布式计算平台上运行大规模的脉冲神经网络（SNN）是提升类脑计算智能水平的基本手段之一，它的难点在于如何将SNN部署到对应数量的计算节点上，使整体系统的运行能效最佳。针对以上问题，在基于NEST的SNN工作负载自动映射器（SWAM）的基础上，提出一种基于精准通信建模的SNN工作负载自动映射器（SWAM2）。在SWAM2中，基于NEST仿真器对SNN工作负载的通信部分进行精准建模，并改进工作负载模型中参数的量化方法，设计了最大网络规模预测方法。在SNN典型案例上的实验结果表明，在工作负载通信以及计算时间的预测中，SWAM2的平均预测误差比SWAM分别降低12.62和5.15个百分点；在对工作负载最佳映射的预测中，SWAM2的平均准确率为97.55%，比SWAM高13.13个百分点。SWAM2通过自动预测SNN工作负载在计算平台上的最佳部署/映射，避免了手动反复实验的过程。
针对现有算法对多无人机（UAV）协同进行多任务分配时存在负载均衡和执行效率方面的不足，提出一种改进的自组织映射（ISOM）算法。该算法根据飞行时间和任务执行时间设计了UAV的负载均衡度，以提升任务完成的效率；还设计了新的非线性变化的学习率和邻域函数保证ISOM算法的稳定性和快速收敛。然后，在不同任务环境对ISOM算法进行了有效性验证。实验结果表明，与结合遗传算法的粒子群优化（GA-PSO）、Gurobi和ORTools算法相比，ISOM算法的任务完成时间可分别减少15.5%、12.7%和7.3%；在TSPLIB数据集的实例KroA100、KroA150、KroA200上进行航迹长度减小的有效性验证时，与杂草优化（IWO）算法、改进的单亲遗传算法（IPGA）和蚁群单亲遗传算法（AC-PGA）的对比结果表明，ISOM算法在无人机数量为2、3、4、5、8时，均获得了最小的航迹长度。由此可见，ISOM算法在解决多UAV协同多任务分配问题时效果显著。
针对当前照明环境存在能耗浪费严重的问题，提出一种基于改进麻雀搜索算法（P-SSA）的照明控制优化方法。首先为增加初始种群的多样性、避免早熟收敛和增强寻优能力，对SSA引入Logistic混沌初始化、柯西变异及历史最优位置的记忆功能；然后综合考虑光环境中人员存在状态、天然光分布及多灯具之间的耦合作用建立适应度函数，并使用DIALux evo专业照明仿真软件获取人工光照度传递矩阵和天然光照度分布；最后对改进的SSA进行性能验证，并使用多个优化算法进行调光系数组合寻优的实验。实验结果表明，相较于粒子群优化算法（PSO）、算术优化算法（AOA）等，基于P-SSA的照明控制优化方法可以快速并精确地找到最优调光系数的组合，并实现满足舒适性为前提下的最大化节能性要求。
针对标准阿基米德优化算法（AOA）在求解优化问题时存在全局探索能力弱、收敛速度慢和求解精度低等问题，提出一种多策略阿基米德优化算法（MSAOA）。首先，利用变区间初始化策略，使得初始种群尽可能地靠近全局最优解，从而提高初始解的质量；其次，提出黄金莱维引导机制，以提高算法在迭代后期的种群多样性；最后，在维持种群多样性的前提下，引入自适应波长算子，以达到提高算法搜索效率的目的。将所提算法与均衡器算法（EO）、正余弦算法（SCA）以及灰狼优化算法（GWO）在20个基准测试函数上进行比较实验。实验结果表明，所提算法具有更高的寻优精度和收敛速度，并将所提算法应用于4个机械设计实例中，再次验证了所提算法的有效性和优越性。
为提高YYPO-SA1的性能，提出了一种基于动态D向分割和混沌扰动的阴阳对优化算法（NYYPO）。首先，基于牛顿衰减机制来动态调整YYPO-SA1中的D向分割概率；然后，在分割阶段加入混沌扰动策略，NYYPO利用动态调整机制在搜索前期使用较大的D向分割概率，在搜索后期则使用较小的D向分割概率，从而提高了算法的全局搜索能力，同时使用混沌扰动策略丰富了解的多样性，并提高了算法跳出局部最优的能力；最后，将NYYPO应用于风力发电机的参数优化设计问题。选用了15个单峰、多峰和组合测试函数进行性能评估，将NYYPO、YYPO-SA1以及6个代表性的单目标优化算法：粒子群优化（PSO）算法、乌鸦搜索算法（CSA）、灰狼优化算法（GWO）、鲸鱼优化算法（WOA）、花授粉算法（FPA）、麻雀搜索算法（SSA）进行性能评测比较。结果表明NYYPO相较于YYPO-SA1在Sphere函数上有着12个数量级的提升。而在Friedman检验中NYYPO在10维、30维、50维的时候的平均排名分别为2.87、2.0、1.93，均为总排名第一，可见NYYPO在统计学意义上具有显著的性能优势。同时，在风力发电机参数优化设计问题中NYYPO也取得了更好的优化结果。
现有监测系统无法很好地应对疫情环境下存在的交叉传染以及追溯困难等问题，因此提出了一套基于边缘计算的公共交通检测系统的设计方案。首先，建立图数据库来储存乘车人员与乘车信息，同时使用双数据库模型防止建立索引带来的阻塞，从而完成插入效率与搜索效率的均衡；其次，在车辆人像信息提取中，采用HSV色彩空间对图片进行预处理，并建立人脸三维空间模型来提升神经网络的识别准确率，在目标佩戴口罩时，通过较明显的鼻尖特征点、下颌特征点与未遮挡的鼻梁部特征点回归出其口鼻等特征点信息；最后，通过k度搜索快速找出密切接触乘客。在特征对比测试中，该方案在BioID数据集和PubFig数据集上分别达到了99.44%和99.23%的正确率，且在两数据集上的假阴性率均小于0.01%；在图搜索效率测试中，在浅层次搜索的时候，图数据库与关系型数据库并无较大差异，当搜索层次变深时，图数据库效率更高；在验证理论可行性之后，模拟了公交车与公交站的实际环境，经测试所提系统在其中的识别准确率为99.98%，识别时间平均约为21 ms，符合疫情监测的要求。所提系统设计可以满足疫情时期公共安全的特殊需求，能够实现人员甄别、路径记录、潜在接触者搜索等功能，从而有效地保证公共交通安全。
针对车联网（IoV）中存在大量的车辆卸载任务计算需求，而本地端边缘服务器运算能力有限的问题，提出一种移动边缘计算分层协同资源配置机制（HRAM）。所提算法以多层式的架构合理分配与有效利用移动边缘计算（MEC）服务器的运算资源，减少不同MEC服务器之间的数据多跳转发时延，并优化卸载任务请求时延。首先构建IoV边缘计算系统模型、通信模型、决策模型和计算模型；然后利用层次分析法（AHP）进行多因素综合考虑以确定卸载任务迁移的目标服务器；最后提出动态权值的任务路由策略，调用整体网络的通信能力以缩短卸载任务的请求时延。仿真实验结果表明，HRAM算法相较于任务卸载单层式资源分配（RATAOS）算法和任务卸载多层式资源分配（RATOM）算法，分别降低了40.16%和19.01%的卸载任务请求时延；且所提算法在满足卸载任务最大可容忍时延的前提下，能够满足更多卸载任务的计算需求。
随着人工智能（AI）技术的蓬勃发展，深度神经网络（DNN）模型被大规模应用到各类移动端与边缘端。然而，边缘端算力低、内存容量小，且实现模型加速需要深入掌握边缘端硬件知识，这增加了模型的部署难度，也限制了模型的推广应用。因此，基于张量虚拟机（TVM）提出一种DNN加速与部署方法，从而实现卷积神经网络（CNN）模型在现场可编程门阵列（FPGA）上的加速，并在分心驾驶分类应用场景下验证了所提方法的可行性。通过计算图优化方法减小了模型的访存和计算开销，通过模型量化方法减小了模型尺寸，通过计算图打包方法将卷积计算卸载到FPGA上执行以提高模型推理速度。与微处理器（MPU）相比，所提方法可使ResNet50和ResNet18在MPU+FPGA上的推理时间分别减少88.63%和77.53%；而在AUC（American University in Cairo）数据集上，相较于MPU，两个模型在MPU+FPGA上的top1推理精度仅下降了0.26和0.16个百分点。可见，所提方法可以降低不同模型在FPGA上的部署难度。
针对时滞混沌系统在时滞未知条件下的参数及时滞辨识问题，提出基于时间注意力机制的时滞混沌系统参数辨识模型——PINN-TA。首先，采用时间注意力机制提取系统状态序列的关联特征，以实现对系统时滞的辨识；其次，利用循环神经网络（RNN）隐式地近似系统微分方程，形成关于系统参数的代数方程；最后，将代数方程的根作为参数辨识的结果。分别以时滞Logistic方程、Ikeda微分方程和Mackey-Glass混沌系统等典型时滞混沌系统作为待辨识系统，对PINN-TA模型和多种智能搜索算法进行对比实验。仿真结果表明，相较于人工雨滴算法（ARA）、混合布谷鸟搜索算法（HCS）、全局花朵授粉算法（GFPA）、元胞自动机鲸鱼算法（CWA）等现有智能搜索算法，PINN-TA模型对参数和时滞的辨识误差降低了90.31%~99.36%，且辨识耗时缩短至18.59~19.43 ms。可见，PINN-TA模型能够满足精度和实时性要求，为时滞混沌系统参数及时滞辨识提供可行的解决方案。
多数据中心任务调度策略的目的是把计算任务分配到各个数据中心的不同服务器上，以促进资源利用率和能效的提升，为此提出了基于深度强化学习的多数据中心一体化调度策略。所提策略分为数据中心选择和数据中心内部任务分配两个阶段。在多数据中心选择阶段，整合算力资源以提高总体资源利用率，首先采用具有优先经验回放的深度Q网络（PER-DQN）在以数据中心为节点的网络中获取到达各个数据中心的通信路径；然后计算资源使用成本和网络通信成本，并依据这两个成本之和最小的原则选择最优的数据中心。在数据中心内部任务分配阶段，首先在所选数据中心内部，划分计算任务并遵循先到先服务（FCFS）原则将任务添加到调度队列中；然后结合计算设备状态和环境温度，采用基于双深度Q网络（Double DQN）的任务分配算法获得最优分配策略，以选择服务器执行计算任务，避免热点的产生，并降低制冷设备的能耗。实验结果表明，基于PER-DQN的数据中心选择算法相较于计算资源优先（CRF）、最短路径优先（SPF）路径选择方法的平均总成本分别下降了3.6%、10.0%；基于Double DQN的任务部署算法相较于较轮询调度（RR）、贪心调度（Greedy）算法的平均电源使用效率（PUE）分别下降了2.5%、1.7%。可见，所提策略能够有效降低总成本和数据中心能耗，实现多数据中心的高效运行。
针对蝴蝶优化算法（BOA）收敛速度较慢和过早收敛到局部解的问题，提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法（HSSBOA）。首先，将樽海鞘群算法（SSA）引入BOA中，使算法快速处理局部搜索阶段，并更新种群位置，从而更有效地完成寻优过程，避免算法陷入局部最优；然后，引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索，从而提高算法的精度；最后，引入动态切换概率以改善搜索中全局与局部的比重，从而加快算法的搜索速度。选取10个标准检测函数进行测试，将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差（MAE）五个方面进行对比分析。研究结果表明，相较于其他算法，HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法，在求解有约束的复杂问题时，HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势，并且能够求解复杂的现实问题。
现实生活中的多目标优化问题（MOP）大多为动态多目标优化问题（DMOP），此类问题的目标函数、约束条件和决策变量都可能随时间的变化而发生改变，这需要算法在环境变化后快速适应新的环境，且在保证Pareto解集多样性的同时快速收敛到新的Pareto前沿。针对此问题，提出一种基于新评价指标自适应预测的动态多目标优化算法（NEI-APDMOA）。首先，在种群非支配排序过程中提出一种优于拥挤度的新评价指标，并分阶段平衡收敛快速性和种群多样性，使种群的收敛过程更加合理；其次，提出一种可判断环境变化强弱的因子，为预测阶段提供有价值信息，并引导种群更好地适应环境变化；最后，根据环境变化因子匹配3种更加合理的预测策略，使种群快速响应环境变化。将NEI-APDMOA与DNSGA-Ⅱ-A（Dynamic Non-dominated Sorting Genetic Algorithm-Ⅱ-A）、DNSGA-Ⅱ-B（Dynamic Non-dominated Sorting Genetic Algorithm-Ⅱ-B）和PPS（Population Prediction Strategy）算法在9个标准动态测试函数上进行对比。实验结果表明，NEI-APDMOA分别在9、4和8个测试函数上取得了最优的平均反世代距离（IGD）值、平均间距（SP）值和平均世代距离（GD）值，可以更快地响应环境变化。
在国产高性能众核处理器上编程时，需要直接使用最底层的接口开发软件，这使编程和调试非常困难；并且各自平台的高性能软件编程模型较为基础，计算软件不能通用，造成了重复性开发。针对以上问题，实现了通用编程模型以及所对应的支撑库：一方面基于消息队列机制开发国产高性能众核处理器的线程级并行机制；另一方面基于单指令多数据流（SIMD）编程模型开发从核上的数据级并行性。首先，对国产高性能众核处理器体系结构进行抽象；其次，设计模型的消息队列机制，并为程序员提供一套异构并行编程接口，如系统参数接口、从核线程控制接口、消息队列接口、SIMD抽象接口；最后，在上述基础上形成全新的高性能计算软件开发模型和方法，方便用户开发基于国产高性能众核处理器的并行计算软件。性能传输测试结果表明，在国产众核处理器上，当启动核数较少时，所提模型的传输带宽普遍达到了峰值直接内存访问（DMA）带宽的90%；当启动的核数较多时，消息队列模型的传输带宽普遍达到了峰值DMA带宽的70%。在矩阵乘法实验中，与系统原语传输矩阵并计算的性能相比，所提模型的性能达到前者的90%；在口令猜测系统中，所提模型的代码性能与直接使用最底层的接口开发的代码性能基本持平。所提通用编程模型和支撑框架使高性能计算（HPC）软件开发更简易，并且具有更好的可移植性，可为促进国产自主HPC软件研发提供帮助。
稀疏-稠密矩阵乘法（SpMM）广泛应用于科学计算和深度学习等领域，提高它的效率具有重要意义。针对具有带状特征的一类稀疏矩阵，提出一种新的存储格式BRCV（Banded Row Column Value）以及基于此格式的SpMM算法和高效图形处理单元（GPU）实现。由于每个稀疏带可以包含多个稀疏块，所提格式可看成块稀疏矩阵格式的推广。相较于常用的CSR（Compressed Sparse Row）格式，BRCV格式通过避免稀疏带中列下标的冗余存储显著降低存储复杂度；同时，基于BRCV格式的SpMM的GPU实现通过同时复用稀疏和稠密矩阵的行更高效地利用GPU的共享内存，提升SpMM算法的计算效率。在两种不同GPU平台上针对随机生成的带状稀疏矩阵的实验结果显示，BRCV的性能不仅优于cuBLAS（CUDA Basic Linear Algebra Subroutines），也优于基于CSR和块稀疏两种不同格式的cuSPARSE。其中，相较于基于CSR格式的cuSPARSE，BRCV的最高加速比分别为6.20和4.77。此外，将新的实现应用于图神经网络（GNN）中的SpMM算子的加速。在实际应用数据集上的测试结果表明，BRCV的性能优于cuBLAS和基于CSR格式的cuSPARSE，且在大多数情况下优于基于块稀疏格式的cuSPARSE。其中，相较于基于CSR格式的cuSPARSE，BRCV的最高加速比为4.47。以上结果表明BRCV可以有效提升SpMM的效率。
随着通信技术的发展，通信终端逐渐采用软件的方式来兼容多种通信制式和协议。针对以计算机中央处理器（CPU）作为运算单元的传统软件无线电架构，无法满足高速无线通信系统如多进多出（MIMO）等宽带数据的吞吐率要求问题，提出了一种基于图形处理器（GPU）的低密度奇偶校验（LDPC）码译码器的加速方法。首先，根据GPU并行加速异构计算在GNU Radio 4G/5G物理层信号处理模块中的加速表现的理论分析，采用了并行效率更高的分层归一化最小和（LNMS）算法；其次，通过使用全局同步策略、合理分配GPU内存空间以及流并行机制等方法减少了译码器的译码时延，同时配合GPU多线程并行技术对LDPC码的译码流程进行了并行优化；最后，在软件无线电平台上对提出的GPU加速译码器进行了实现与验证，并分析了该并行译码器的误码率性能和加速性能的瓶颈。实验结果表明，与传统的CPU串行码处理方式相比，CPU+GPU异构平台对LDPC码的译码速率可提升至原来的200倍左右，译码器的吞吐量可以达到1 Gb/s以上，特别是在大规模数据的情况下对传统译码器的译码性有着较大的提升。
针对启发式算法在机器人路径规划过程中存在路径长度不稳定和易陷入局部极小点的问题，提出一种基于自适应调整哈里斯鹰优化（AAHHO）算法。首先，利用收敛因子调整策略，调节全局搜索阶段和局部搜索阶段的平衡，同时利用自然常数为底数，提高搜索效率和收敛精度；其次，在全局搜索阶段，采用精英合作引导搜索策略，通过3个精英哈里斯鹰合作引导其他个体更新位置以提高搜索性能，通过3个最优位置加强种群间的信息交流；最后，通过模拟种内竞争策略增强哈里斯鹰跳出局部最优的能力。函数测试和机器人路径规划对比实验结果表明，所提算法无论是函数测试还是机器人路径规划都优于IHHO（Improve Harris Hawk Optimization）和CHHO（Chaotic Harris Hawk Optimization）等对比算法，对于求解机器人的路径规划具有较好的有效性、可行性和稳定性。
k元n方体具有许多优良特性，已成为多处理器系统最常用的互连网络拓扑结构之一。当系统互连网络中发生故障时，系统子网络的保持能力对系统实际应用至关重要。为了精确度量k元n方体中任意规模子网络的容错能力，研究了有故障发生时k元n方体中k元（n-m）方体子网络的可靠性。当k（k≥3）为奇整数时，在概率故障条件下得出了k元n方体中存在无故障k元（n-m）方体子网络的概率的上界和下界，并给出了该可靠性的一种近似评估方法。实验结果表明，随着顶点可靠性的降低，k元（n-m）方体子网络可靠性的上下界趋于一致；当顶点可靠性较高时，利用近似评估方法得出的结果更为准确。
解决约束多目标优化问题（CMOP）的难点在于平衡目标优化和约束满足的同时兼顾解集的收敛性和多样性。为解决具有大型不可行区域和较小可行区域的复杂约束多目标优化问题，提出一种基于两阶段搜索与动态资源分配的约束多目标进化算法（TSDRA）。该算法在第一阶段通过忽略约束跨越不可行区域；然后在第二阶段通过动态分配两种计算资源协调局部开发和全局探索，兼顾算法的收敛性和多样性。在LIRCMOP和MW系列测试问题上进行的仿真实验结果表明，与四个代表性的算法CMOEA-MS（Constrained Multi-Objective Evolutionary Algorithm with Multiple Stages）、ToP（Two-phase）、PPS（Push and Pull Search）和MSCMO（Multi Stage Constrained Multi-Objective evolutionary algorithm）相比，所提算法在反转世代距离（IGD）和超体积（HV）上得到了更优异的结果。在LIRCMOP系列测试问题上，TSDRA获得了10个最佳的IGD值和9个最佳的HV值；在MW系列测试问题上，TSDRA获得了9个最佳的IGD值和10个最佳的HV值，表明所提算法可以更有效地解决具有大型不可行区域和较小可行区域的问题。
基因型填补可以通过填补估算出在基因测序数据中未覆盖的样本区域弥补因技术限制导致的缺失，但现有的基于深度学习的填补方法不能有效捕捉到全序列位点间的连锁关系，造成整体填补准确率低、批量序列填补准确率分散等问题。针对这些问题提出一种融合卷积与自注意力机制的填补方法——FCSA，使用两种融合模块构成编解码器组建网络模型。编码器融合模块使用自注意力层得到全序列位点间的关联度，将该关联度融合到全局位点后再通过卷积层提取局部特征；解码器融合模块使用卷积对编码后的低维向量进行局部特征重建，应用自注意力层对全序列建模并融合。使用多物种的动物基因数据进行模型训练，并在Dog、Pig和Chicken数据集上进行比较验证，结果表明，与SCDA（Sparse Convolutional Denoising Autoencoders）、AGIC（Autoencoder Genome Imputation and Compression）和U-net相比，FCSA在10%、20%和30%缺失率下的平均填补准确率均取得了最高值，且批量序列填补准确率的分散程度较小；消融实验的结果也表明，这两种融合模块的设计能够有效提升基因型填补的准确率。
针对自动引导车（AGV）在自动化集装箱码头（ACT）执行任务过程中的电量问题，提出基于改进的非支配排序遗传算法-Ⅱ（NSGA-Ⅱ）的考虑AGV充电策略的集成调度。首先，在岸桥、场桥和AGV集成调度模式下，考虑AGV在不同作业状态下的耗电量，并建立以最小化作业完工时间和总耗电量为目标的多目标混合规划模型；其次，为提高传统NSGA-Ⅱ的性能，设计自适应NSGA-Ⅱ，并将所提算法与CPLEX求解器、NSGA-Ⅱ和多目标粒子群优化（MOPSO）算法进行性能对比；最后，设计AGV不同充电策略并对设备数量配比进行实验研究。算法对比实验结果表明：相较于传统NSGA-Ⅱ算法，自适应NSGA-Ⅱ对双目标的优化分别提升了2.8%和2.63%。利用自适应NSGA-Ⅱ进行的充电策略和设备数量配比实验的结果表明：增加AGV充电次数能够减少AGV的充电时间，且调整设备数量配比至3∶3∶9和3∶7∶3时，场桥和AGV的时间利用率分别达到最高。可见，AGV充电策略及设备数量配比对码头多设备集成调度有一定影响。
在传统多背包问题的基础上，从典型物流服务场景中共性抽象出异构多背包问题（HMKP），并设计和定制了一种帝国竞争算法（ICA）对HMKP进行求解和评估。针对原始ICA易陷入局部最优以及0-1背包问题最优解往往在约束边界周围的特点，设计了双点自变异策略（TPAS）和跳出局部最优算法（JLOA）对ICA进行改进，提出面向0-1背包问题的二进制帝国竞争算法（BICA）。BICA在求解35个0-1背包问题算例时展现出了全面、高效的寻优能力，基于最佳匹配值法（BMV）的BICA在第一组测试集的20个算例上能对19个算例100%找到理想最优值，在第二组测试集的15个算例上能对12个算例100%找到理想最优值，在所有对比算法中表现最优。数值结果分析表明，BICA在寻优演化中维持多极发展策略，并依托独特的种群进化方式在解空间中高效搜索理想解。在此基础上，针对HMKP强约束性和高复杂度的特性，基于BICA设计了求解HMKP的多级二进制帝国竞争算法（MLB-ICA）。分别在多个典型0-1背包问题算例组合构建的HMKP高维测试集上进行了MLB-ICA的数值实验和性能评估，结果表明虽然MLB-ICA的求解时间比Gurobi长，但求解精度提高了28%。可见，MLB-ICA能以较低的计算代价在可接受的时间范围内高效求解高维复杂的HMKP，为ICA在超大规模组合优化问题中的求解提出了可行的算法设计方案。
针对蜻蜓算法（DA）存在开发能力弱、种群多样性低、易过早收敛至局部最优等问题，提出一种基于亚群和差分进化的混合蜻蜓算法（HDASDE）。首先，对基本蜻蜓算法进行改进：融入混沌因子和有目的的莱维飞行来提升蜻蜓算法的寻优能力，并提出混沌跃迁机制加强基本蜻蜓算法的勘探能力；其次，在差分进化（DE）算法的基础上引入反向学习加强DE算法的开发能力；再次，利用亚群策略提高算法跳出局部最优的能力，设计了一种动态双亚群策略将整个种群划分为动态变化的两个亚群；然后使用动态亚群结构将改进蜻蜓算法和改进DE算法进行融合，融合后的算法具有较好的全局勘探能力以及较强的局部开发能力。最后，将HDASDE应用于13个典型的复杂函数优化问题和三杆桁架的设计优化问题，并与原始的DA、DE算法以及其他元启发式优化算法进行对比。实验结果表明，HDASDE在所有13个测试函数中优于DA、DE、人工蜂群（ABC）算法；在12个测试函数中优于粒子群优化（PSO）算法；在10个测试函数中优于灰狼优化（GWO）算法。并且，在三杆桁架的设计优化问题中效果较好。
群智能算法的优化是提升群智能算法性能的一个主要途径，随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中，对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段，能够灵活地平衡算法的全局勘探能力和局部开发能力，已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用，对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查，阐述了各类亚群策略的结构特点、改进方式和应用场景。最后，总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。
