超材料吸波体的性能受电磁波入射角度的影响，具有宽角度稳定性的吸波体一直是吸波体设计的难点之一。传统设计方式依赖于人工设计和优化，存在设计困难且周期长的缺陷。针对设计目标的特点，基于改进粒子群优化算法设计了宽角度高吸收率超材料吸波体。通过添加动态权值和高斯误差解决二进制粒子群优化算法后期局部搜索能力弱的问题，用改进的二进制粒子群优化算法优化吸波体表层0、1编码的离散金属块结构实现高吸收率和宽入射角吸收特性。仿真结果表明，设计的超材料吸波体在9.4~13.3 GHz频段的吸收率大于90%，在11.6~12.6 GHz频段内可实现完美吸收（吸收率大于99%），横电、横磁极化波60°斜入射情况下超材料吸波体在带宽内的吸收率大于80%。该设计方法有效弥补了传统设计方法的缺陷，展现出按需设计和设计过程无需人为干预的独特优势，在相关领域具有广泛的应用前景。

光谱数据的波长选择是太赫兹光谱定量分析的关键。 以纸页厚度检测为例, 提出了一种基于波长选择的纸页厚度太赫兹相位谱检测新方法。 首先采用离散离子群算法进行太赫兹相位信号优选, 并应用偏最小二乘法建立纸页厚度定量模型, 以模型的预测均方根误差作为太赫兹相位信号优选的评价标准, 选择出预测效果最优的太赫兹相位信号, 进行纸页厚度预测。 最后将本文方法的预测结果与采用全谱和单频相位信号的预测结果进行比较, 结果表明, 提出的方法预测结果最好。

针对土壤有机质含量高光谱估测研究中变量维数过高与特征谱段筛选问题, 提出了一种结合随机森林和自适应搜索算法的混合特征选择方法。 首先依据随机森林变量重要性原理获取初始优化集, 然后利用遗传二进制粒子群封装算法对初始优化集进一步自适应筛选。 对于土壤有机质含量估测建模问题, 选择稳健性强且能有效处理高维变量的随机森林算法。 以典型黑土区采集的土壤样品为研究对象, 将ASD光谱仪获取的可见光-近红外区间光谱数据和经化学分析得到的土壤有机质含量为数据源, 对原始光谱进行光谱变换和重采样处理后, 采用随机森林-遗传二进制粒子群混合选择方法提取特征光谱区间, 构建有机质含量随机森林估测模型。 与利用全光谱、 随机森林方法筛选的光谱和自适应搜索算法筛选的光谱构建随机森林模型得到的预测精度进行比较。 结果表明, 利用随机森林-遗传二进制粒子群混合特征选择算法筛选的波谱变量参与随机森林建模, 预测决定系数, 均方根误差和相对分析误差分别为0.838, 0.54%, 2.534。 该方案应用最少的变量个数获得最高的预测精度, 能够较高效地估测黑土有机质含量, 也能为其他类型土壤在有机质含量估测研究的变量筛选与建模问题上提供参考。

在空战场协同攻击中，常涉及到多传感器协同探测及跟踪，由于目标的出现与消失具有随机性，所以在协同中既要考虑已有目标的跟踪，更要重视新生目标的及时探测和捕获。为此，建立了新生目标的探测概率模型，并阐述了不同传感器联盟对新生目标的探测能力，依据后验克拉美-罗下界（Posterior Cramer-Rao Lower Bound，PCRLB）对已跟踪目标组建传感器联盟，利用二值粒子群优化（Binary Particle Swarm Optimization，BPSO）算法及PCRLB 研究基于动态联盟的多传感器协同探测与跟踪方法。仿真表明，该方法跟踪精度较高，误差小且稳定。