针对衰减全反射-傅里叶变换红外（ATR-FTIR）光谱仪用于测量结晶过程溶液浓度时， 因光谱谱线维度高、 无关变量多， 导致的标定模型预测精度低、 可解释性差等问题， 提出了一种变量稳定加权混合收缩的新方法。 首先提出对光谱变量进行随机二进采样， 将建立的优秀子模型中变量被选频率与所有子模型中变量回归系数的稳定性指标进行加权评价的稳定加权变量种群分析法（SWVCPA）。 通过对变量的重要性进行排序， 采用指数递减函数在迭代过程中逐渐强制滤除重要性低的变量， 实现了对光谱变量空间的初步收缩， 并大幅提高了收缩的稳定性。 然后在收缩后的子空间继续使用一种新的动态麻雀算法（DSSA）， 以最小化训练预测均方根误差（RMSEC）为适应度函数进一步优化变量组合。 这种混合优化方式融合了两类变量选择算法的优点， 通过子模型竞争的方法确保了前期变量收缩的稳定性， 防止算法陷入局部最优; 通过智能优化算法避免了对剩余变量组合的遍历寻优， 允许保留更多的变量进行精准选择。 为了验证新方法的性能， 使用L-谷氨酸溶液冷却结晶过程中6种不同浓度下采集到的ATR-FTIR光谱数据进行测试。 结果表明， 新方法将光谱变量数从613个减少到46个， 与原始光谱相比， 使用选择后变量建立的偏最小二乘法（PLSR）模型其预测均方根误差（RMSEP）为从1.727 9降低到0.165 4， 预测决定系数（R2）从0.973 7提高到0.999 7。 另外相比于特征谱段、 遗传算法（GA）以及变量种群组合分析法（VCPA）选择变量建立的模型， 使用新方法建立的溶液浓度预测模型具有更高的准确性和稳定性， 说明该方法对提高使用ATR-FTIR光谱法测量冷却结晶过程溶液浓度准确性和可靠性具有一定的实际应用价值。

为了提高最大2维熵分割的性能, 提出了基于改进麻雀算法的最大2维熵分割方法, 可减小运算量并且缩短计算时间。首先, 融合反向学习策略和自适应t分布变异, 引入精英粒子, 以扩大算法搜索范围, 增加算法后期局部搜索能力;其次, 使用萤火虫机制, 对最优解进行扰动变异, 进一步增加种群多样性;最后, 采用提出的改进麻雀算法寻找图像最大2维熵, 得到最优阈值分割图像。结果表明, 4幅图像的平均运行时间为0.3695s,远低于基础2维熵算法的1.7547s和基础2维Otsu算法的5.7936s。所提出的改进麻雀算法的全局搜索和局部寻优能力相比原麻雀算法有较大改善, 缩短了传统最大2维熵图像分割方法的运行时间, 在峰值信噪比和结构相似度指标上均得到提升, 具有一定的应用价值。

在考虑折射率色散效应基础上, 以加权平均反射率作为评价函数, 通过智能优化算法对空间硅太阳电池减反射膜进行优化设计, 得到了最佳的膜厚参数, 并与不考虑色散下设计的减反射膜进行了比较。对MgF2/TiO2, SiO2/ TiO2双层减反射膜, 与不考虑色散情形相比, 考虑色散下优化后的最小加权平均反射率分别减小了36.6%和37.6%; 对具有厚度为15 nm的SiO2钝化层的硅太阳电池的MgF2/TiO2, SiO2/ TiO2减反射膜重新优化设计, 与不考虑色散情形相比, 考虑色散下优化后的最小加权平均反射率分别减小了43.9%和33.7%; 对具有不同厚度钝化层的空间硅太阳电池, 在考虑色散下进行了减反射膜的优化设计。结果发现, 随着钝化层厚度的增加, 所得减反射膜的最小加权平均反射率也随之增大, 减反射效果越来越弱。最后, 在考虑与未考虑色散情形下, 将钝化层膜厚也作为反演参量后重新设计。结果表明: 在色散情形下所设计的减反射膜更佳, 对于MgF2/TiO2/SiO2(钝化层)膜系, 最佳膜厚参量为d1(MgF2)=97.6 nm, d2(TiO2)=40.2 nm, d3(SiO2)=4.9 nm; 对于SiO2/TiO2/ SiO2(钝化层), 最佳膜厚参量为d1(SiO2)=85.1 nm, d2(TiO2)=43.4 nm, d3(SiO2)=1.8 nm。

近红外光谱（NIRS）是一种间接分析技术, 其应用需建立相应的校正模型。 为了提高模型的解释能力、 预测准确度和建模效率, 需要对NIRS进行波长选择, 优选最小化冗余信息。 智能优化算法是以生物的行为方式或物质的运动形态为背景, 经过数学抽象建立算法模型, 通过迭代计算来求解组合最优化问题, 其核心策略是以某种目标函数为标准, 基于多元校正建模并以逐步逼近的方法筛选出有效的波长点。 选用蚁群优化（ACO）、 遗传优化（GA）、 粒子群优化（PSO）、 随机青蛙（RF）和模拟退火（SA）5种智能优化算法对烟叶总氮和烟碱近红外光谱数据进行特征波长选择, 结合偏最小二乘（PLS）算法, 构建了多个烟叶总氮和烟碱的校正模型, 结果显示: 所选用两个数据集的总氮最优模型分别为PSO-PLS和GA-PLS模型, 烟碱最优模型分别为GA-PLS和SA-PLS模型, 五种智能优化算法所建模型预测性能并非全部优于全谱PLS模型, 但是通过智能优化算法进行波长选择后建立的PLS模型大大简化, 模型的预测精度、 可解释性和稳定性均有所提高。 同时也对优选波长进行了解释和分析, 烟叶总氮特征波长优选组合为4 587~4 878和6 700~7 200 cm-1; 烟叶烟碱特征波长优选组合为4 500~4 700和5 800~6 000 cm-1, 优选出来的特征波长具有实际物理意义。