高效用项集挖掘已成为关联规则中的一个热点研究问题.一些基于垂直结构的算法已用来挖掘高效用项集，此类算法的主要优点是将项集的事务和效用信息存储到效用列表中.在求一个项集的超集所在事务可以通过对它的子集进行一次交集运算得到.这种算法在稀疏数据集中非常的有效.但在稠密数据集中存在一个问题，即列表中存储的事务太多，在计算用于剪枝的效用上界时，需要耗费大量的存储空间，同时也影响运行速度.并且在现有的算法中，缺乏针对稠密数据集的高效用项集挖掘算法，往往需要设置很高的最小效用阈值，影响算法的运行效率.针对此问题，提出一个新的算法D-HUI （mining High Utility Itemsets using Diffsets）以及一个新的数据结构—项集列表，首次在高效用项集挖掘中引入差集的概念.利用事务的差集求项集的效用上界，减少计算量以及存储空间，从而提高算法的运行效率.实验结果表明，提出的算法在稠密数据集中，执行速度更快，内存消耗更少.
针对标准PSO中单一社会学习模式造成的算法容易陷入局部最优和后期收敛速度慢等问题，提出了一种基于多种群的自适应迁移PSO算法（Multi-population based self-adaptive migration PSO，MSMPSO）.通过融合两种常用的邻居拓扑结构，赋予个体更多的信息来源；在多个子种群并行进化的基础上，利用不同加速因子的组合赋予各子种群不同的搜索特性，进而通过周期性对子种群的历史性能进行评估，以此为基础指导个体的迁移操作，实现子种群间的协作与计算资源的合理分配，并最终提升算法的综合性能.对CEC2013测试函数的优化结果表明，MSMPSO在求解精度、收敛速度等方面均表现出较好的性能.
本文利用Inverse Butterfly网络拓扑结构的自路由特性，并结合分治策略，提出了一种能够硬件高速实现任意比特置的换选路算法.利用该算法能够在O（lgN）条指令内完成N-bit任意静态置换操作，在O（lg2N）条指令内完成N-bit任意动态置换操作.在此基础上，本文构造了一种新型比特置换单元-Permutation Unit based on Inverse Butterfly，IBPU.并将它在SMIC 65nm工艺下进行了逻辑综合，结果表明：与以往研究成果相比，本文提出的IBPU资源消耗降低了约32%，延迟降低了近30%.当完成静态置换操作时，其功能单元所消耗的代价最小，不超过以往设计的60%；当完成动态置换操作时，虽然消耗的代价较大，但其随置换位宽N的增加涨幅较小，因此具有较高的稳定性，其综合性能优势明显.
词性是自然语言处理的基本要素，词语顺序包含了所传达的语义与语法信息，它们都是自然语言中的关键信息.在word embedding模型中如何有效地将两者结合起来，是目前研究的重点.本文提出的Structured word2vec on POS联合了词语顺序与词性两种信息，不仅使模型可以感知词语位置顺序，而且利用词性关联信息来建立上下文窗口内词语之间的固有句法关系.Structured word2vec on POS将词语按其位置顺序定向嵌入，对词向量和词性相关加权矩阵进行联合优化.实验通过词语类比、词相似性任务，证明了所提出的方法的有效性.
