将深度与演化算法结合，提出一种深度演化算法，即群竞争合作优化（GCCO）算法。首先引入生物群模型来模拟群体搜索猎物的自然现象，算法通过多步迭代可简单实现优化问题求解。在生物群模型中，跟随者采用变步长的区域复制方式，平衡了收敛速度与优化精度，随机者采用基于特征变换的随机游走模式，避免陷入局部最优。其次引入竞争模型和合作模型增加算法复杂性，通过群体间的竞争和信息共享，提高算法的搜索性能。算法的数学模型是从群论、动力学以及帝国竞争理论推导出来的，在理论上也分析验证了算法的收敛性。最后在十个优化基准函数上与其他三种优化算法对比测试算法的性能。在解决上海市设立燃气站点提高到场及时率的实际问题中，GCCO算法也取得了比其他算法更好的效果。

随着当今世界逐渐从信息化转型为数据化，模式识别和数据挖掘等领域面临越来越大的挑战.爆炸式增大的数据量使得特征选择过程成为大数据模式识别等领域必不可少的环节.受动物界资源争夺行为启发，在由特征选择模型转变为资源分配问题模型中加入个体的资源争夺行为，提出多群体公平算法(multi-colony fairness algorithm, MCFA)对该行为进行评判和处理，用以取得更优的分配方案(即更优特征子集)，其有机融合随机搜索和启发式搜索，且将filter方法和wrapper方法相结合，降低计算量的同时获得更高的分类准确率.对提出的多群体公平算法进行了分析，从理论上证明了算法的收敛性和有效性；UCI机器学习数据库数据集与4种经典特征选择算法:顺序前向搜索算法(sequential forward selection, SFS)、顺序后向搜索算法(sequential backward selection, SBS)、顺序前向浮动搜索算法(sequential floating forward selection, SFFS)、顺序后向浮动搜索算法(sequential floating backward selection, SBFS)和3种主流特征选择算法：相关性-冗余度特征选择算法(relevance-redundancy feature selection, RRFS)、最大相关最小冗余算法(minimal-redundancy-maximal-relevance, mRMR)、ReliefF算法的对比实验表明，提出的多群体公平算法能够有效选择规模和性能都比较好的特征子集.

随着人工智能和大数据的迅猛发展，大数据的爆炸式增长和问题的复杂性分布导致对并行智能处理的要求日趋迫切.传统的理论模型和技术方法面临严峻挑战，受自然界启发的物理学法则和生物学方法逐渐成为研究热点.受多头绒泡菌的生长觅食等行为启发，提出了一种基于能量机制的多头绒泡菌动力学算法(physarum-energy dynamic optimization algorithm, PEO).该算法以多头绒泡菌算法为基础，根据其动力学特征，引入能量机制，以改进现有的多头绒泡菌算法全局信息交互能力差等缺点.此外，PEO引入了年龄因子的概念和扰动机制，以控制算法在不同阶段的寻优能力和收敛速度，并从理论角度对算法模型的收敛性进行证明.最后，通过在TSP数据集上实验证明算法在不同规模数据集的有效性和收敛性，并进行了参数分析.与其他的优化算法的对比实验数据表明，PEO在面对复杂问题的求解速度和收敛速度明显优于其他的优化算法，具有高精度和快收敛的特性.

撒谎行为的存在会破坏CDN缓存分配的公平性。 使用博弈论对服务器在缓存分配过程中的自私撒谎行为进行了研究。经分析发现,服务器撒谎行为的本质就是当缓存不足时,额外多申请一定量缓存；而当缓存充足时,则诚实地申请所需缓存量。针对这种撒谎行为,提出了一种公平分配算法,在计算服务器的缓存申请量时,考虑其历史缓存申请量,并根据不同阶段申请量的有效性不同引入年龄因子,(重新)计算得到服务器的当前有效缓存申请量,使得撒谎的服务器与诚实的服务器相比受到更多损失,以此来促使其停止撒谎行为。同时,公平算法还保证了系统的最大吞吐量,并引入了价格机制来保证诚实的服务器得到更高的需求满足度。仿真实验结果表明,公平算法对于上述撒谎行为有很好的改善效果。

五行学说蕴含信息动力学,然而在网络中却一直未被很好地利用,为此提出一种基于五行原理的五行粒子模型方法来求解多Agent系统的分布式问题。五行粒子模型可以很好地描述和处理多Agent系统中Agent之间存在的随机、并发、多类型的交互行为。基于五行粒子模型内部存在的生克关系,以及五行自身蕴含的稳定性和平衡性,对五行粒子模型和多Agent系统分布式问题求解进行探讨,并对多Agent系统中的各个Agent进行行为建模,进而提出多Agent系统分布式问题求解的五行粒子模型算法。最后,通过实验验证了该算法的有效性。