针对双陷波超宽带滤波器使用后向传输（BP）神经网络逆向建模存在精度较低、收敛慢、稳定性不强等问题，提出一种用改进的蚁狮算法（IALO）结合Huber函数优化BP神经网络逆向建模的方法。该方法通过将边界收缩因子连续化，引入动态更新系数以及加入柯西变异来实现对蚁狮算法的改进，并用改进的蚁狮算法优化正向模型的权值，加快建模速度，然后使用Huber函数作为神经网络的评价函数，提高了模型的精度和稳定度。将此方法用于双陷波超宽带滤波器中，实验结果表明，对比BP逆向建模方法，此方法求得的长度、宽度和频率均方误差分别减小了97.44%、99.43%和96.15%，平均运行时间缩短了66.01%，解决了逆向建模的多解问题，提高了设计滤波器的速度和精度。

为了解决基于深度学习的网格分割方法在训练分割分类器过程中时间消耗大的问题,提出了一种基于蚁狮优化的极限学习机的网格分割方法。利用蚁狮优化算法中蚂蚁种群受精英蚁狮与轮盘赌策略的双重影响,迭代更新蚂蚁种群,将蚁狮种群与蚂蚁种群进行降序全排列,取最优的N个更新蚁狮种群,采用最优蚁狮更新精英蚁狮,保持精英蚁狮为最优解,从而优化极限学习机随机生成的输入权值矩阵与隐层偏置。采用改进的极限学习机方法训练得到一个高精度的分割分类器。以普林斯顿数据集中的6类模型进行实验,结果表明,对于Airplane、Ant、Chair、Octopus、Teddy和Fish模型数据集中训练面片数目为200000~300000的模型,所提方法的训练耗时约为1000 s,且获得了较高的分割精确度,最高分割精确度可达99.49%。