磨损均衡机制作为闪存转换层的基础机制之一，其主要功能是延长闪存块使用寿命和提高存储数据的可靠性。现有的磨损均衡机制着重于减少闪存块的擦除次数，忽略了在磨损均衡操作过程中选择擦除脏块的不合理所带来的不必要数据迁移开销，从而影响了固态硬盘的整体读写性能。针对该问题，提出了一种基于权重堆排序的 NAND Flash静态磨损均衡机制WHWL。首先，提出一种基于页数据访问频率和块擦除次数的权重的热度计算方法，有效地提高擦除次数少（冷块）且数据访问频率低（冷数据）的目标块命中率，避免了多余的数据迁移操作；其次，提出了一种基于权重的堆排序目标块选择算法，以加快目标块的筛选。实验结果表明，与现有的PWL和BET算法相比，在使用相同映射机制的条件下，WHWL能够分别提升固态硬盘寿命1.28、5.83倍，数据迁移次数也有明显的降低。
随着信息时代的到来，快递行业迅速发展起来，推动着流通方式的转型和消费升级。人们在享受快递业发展带来巨大便捷的同时，也伴随着难以控制的流动性风险，给公共安全带来严峻的挑战。例如，偷窃的赃物通过快递方式进行销赃，利用快递方式运输毒品、爆炸物等危险物品。基于以上考虑，通过分析真实的历史快递记录，着力于研究利用快递方式进行销赃这一类犯罪行为，进而以识别该类嫌疑人为研究目标，从统计、时间和地理3方面特征进行了详细的分析。另外，提出了一种TwoStep异常检测方法用于嫌疑人的识别。该方法分为2步，第1步是过滤正常用户，第2步是识别嫌疑人。实验结果表明，通过该方法能够准确地识别出嫌疑对象，相比较传统方法，该方法能够有效地解决正负类数据不平衡问题，降低误检率，因此具有较高的实用价值。
为了能够更加高效地检测和诊断模拟电路中的故障元件，提出了自适应狼群算法优化极限学习机的方法。该方法采用自适应遗传算法对特征参数进行选择，从而生成最优特征子集，然后利用最优特征子集构造样本输入极限学习机ELM网络对故障进行分类。针对极限学习机的输入层和隐含层之间的连接权值、隐含层的偏差都将会使其学习速度和分类正确率受到影响的问题，采用本文方法对它们进行优化并选择相应的最优值，提高了极限学习机网络训练的稳定性与故障诊断的成功率。通过2个典型模拟电路的诊断实例，给出了这些方法的具体实现过程，故障诊断率均在99%以上。仿真结果表明使用该方法进行模拟电路故障诊断时具有良好的正确率和稳定性。
针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题，提出了一种基于精英种群策略的协同差分进化算法。在优化过程中，首先对种群进行适应度值评估和排序，提取前N个优秀个体组成精英种群，其余个体随机分为3个等大的子种群，每个子种群采取不同的进化策略，以此来保证种群的多样性；然后每隔一定代数，根据新的适应度值更新精英种群和其余3个子种群，这样可以有效地避免算法陷入局部最优；最后，将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明，所提出的算法能够有效提高收敛速度，具有较高的收敛精度和较好的优化性能。
大多数的社区发现方法是基于网络拓扑结构和边缘密度来进行最佳社区确定，但是这些方法具有非常高的计算复杂度，对网络的形式和类型非常敏感。为解决这些问题，提出基于动态节点自适应增量模型的微博社区交互优化算法，该算法在优化每个社区内成员的交互作用的基础上，利用贪婪算法有效地搜索最优社区的候选，无需遍历所有节点。该模型可快速、准确地测量社区内部和社区之间的交互作用差异。最后，在基准测试网络和搜狐微博平台抓取数据上的仿真测试显示，所提算法在召回率、准确率、算法计算时间以及网络覆盖率等指标上，要优于选取的对比算法。
