*分布式自治智能体
1.分布式自治智能体系统建模
对人工生命、进化算法、多智能体理论和自治计算做了深入的研究，通过研究人类社会的组织方式，以及人的繁殖、迁徙、死亡等行为，构建了一个分布式自治智能体系统框架。在这个框架中对于自治智能体的状态、行为、组织方式、通信等做了定义，并且，给出了此系统的实现步骤。
2.基于分布式自治智能体的函数优化
将建立起来的DAA系统框架用于连续空间的全局优化问题，提出了一种能够进行复杂函数优化的分布式自治智能体函数优化算法（DAO）。通过标准函数的测试结果表明，此算法能够快速、稳定的找到复杂函数的全局最优点。
3.给予分布式自治智能体的人脸区域检测和分割
将DAA系统框架用于基于肤色的人脸检测问题，提出了一种基于分布式自治智能体的彩色图像中人脸区域的检测和分割方法，实验结果表明，该方法突破了传统的逐点搜索机制，大大提到了人脸候选肤色区域搜索标记的鲁棒性和效率，减少了后续处理工作。
*优化， 是一种以数学为基础，用于求解各种工程问题优化解的应用技术。优化算法是一种搜索过程或规则，它基于某种思想和机制，通过一定的途径或规则来得到满足用户问题要求的解。
*多目标、多层级、多约束的复杂全局优化问题。
*拟牛顿法，单纯形法，共轭梯度法，方法对问题的依赖性较强，算法结果和初始值的选择有关，而且容易陷入局部极小值，这些缺点使他们很难得到广发的使用
*仿生优化算法，人工神经网络，遗传算法...新的仿生优化算法，人工免疫算法，蚁群算法，人工鱼群算法，微粒群算法，都是模拟自然界生物系统，完全依赖生物体自身的本能，通过无意识的寻优行为来优化其生存状态以适应环境的一类新型的最优化方法。
*进化算法属于一种随机搜索算法，它在初始解生成以及选择、交互与变异等遗传操作过程中，均采用了随机处理方法。其全局最优性、可并行性、高效性在函数优化中得到了广泛的应用。
*进化算法的不足之处
1）适应度函数是预先定义好的，而真正的适应性应该是局部的，是个体与环境做生存斗争自然形成的。先有的进化算法的选择机制，从适应环境的局部化角度而言，充其量，只是一个人工选择，而非自然选择。
2）遗传算法等进化算法只考虑到生物之间的竞争，而没有考虑到生物之间协作的可能性。真实情况是竞争与协作并存，这就是所谓的协同进化。但是，协同进化在现有的进化算法中很少得到体现。
3）生物进化过程是一个在环境生态系统中“学习”法则的过程，其中不仅包括先天的遗传或遗传复制，还包括后天的个体学习。但是以“生成+检测”的进化算法显然没有利用父代的进化经验，而且忽视了个体的学习能力。所以，利用Lamark遗传和Baldwin效应能提高进化算法的搜索效率。
*指导性搜索算法，启发式算法...多智能体理论，把进化计算中的个体作为一个具有局部感知、竞争协作和自学习能力的智能体，通过智能体与环境以及智能体之间的相互作用达到全局优化的目的。这类引入了智能体特性的进化算法，称作是，多智能体进化算法（Multiagent Evolutionary Algorithm）.
*目的：如何建立起一个更加贴近现实的模型，用于解决复杂计算和大规模系统建模问题----分布式自治智能体优化技术。
*创立数学模型，使该模型的目标函数能反映应用问题的需求，从而把连续空间上的全局优化问题转化为连续空间上的函数优化问题。
*智能进化方法，数值方法。
*人工神经网络：是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。
（如：加权求和，即对所有的输入信号都加以考虑，且对每个信号的重视程度---体现在权值上）
*蚁群算法： ant colony algorithm
蚁群算法是模仿真实世界蚁群的行为而提出的。真实的蚂蚁在没有视觉的情况下，能够找到从食物源到蚁巢的最短路径。这是因为在蚂蚁个体之间通过一种称为信息素（stigmergy）的物质进行信息传递的。蚂蚁在运动过程中，不但能够在它所经过的路径上留下该物质，而且能够感知这种物质的存在及其强度，并朝着该物质强度高的方向移动，以此知道自己的运动方向。因此，由大量蚂蚁组成的蚁群的集体行为表现出一种信息正反馈现象；某一路径上走过的蚂蚁越多，则后来的蚂蚁选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息交流进行路径的最优选择，从而达到搜索食物的目的。基本蚁群算法的原理：
*人工鱼群算法（Artificial fish-swarm algorithm)
是模仿鱼类行为提出的一种基于动物自治体的优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工鱼个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。鱼的群聚生活时它们在漫长的历史演变历程中逐渐形成的一种觅食和躲避敌害的生活方式，其行为可以总结为以下几种：
1）觅食行为：这是鱼的基本行为，当发现附近有食物时，会向该方向游动。
2）追尾行为：当某条鱼发现该处食物丰富时，其他鱼会快速尾随而至
3）聚群行为：它们往往能形成非常庞大的群
4）随机行为：当闲暇无事时，轻松的自由游动
*粒子群优化算法（Partical Swarm Optimization,PSO) 是基于群体的演化算法，其思想来源于人工生命和演化计算理论。该理论是基于对鸟群飞行的研究发现，鸟仅仅是追踪它有限数量的邻居，但最终整体结果是整个鸟群好像在一个中心的控制之下，即复杂的全局行为是由简单规则的相互作用引起的。PSD即源于对鸟群捕食行为的研究，一群鸟在随机搜寻食物，如果这个区域只有一块食物，那么找到食物的最简单有效的策略就是搜寻目前离食物最近的鸟的周围区域。PSO算法就是从这种模型中得到启示而产生的，并用于解决优化问题。另外，人们通常是以他们自己以及他人的经验来作为决策的一句，这就构成了PSO的一个基本概念。
PSO求解优化问题时，问题的解对应于搜索空间中一只鸟的位置，称这些鸟为粒子，或主体。每个粒子都有自己的位置和速度（决定飞行的方向和距离），还有一个由被优化函数决定的适应值。各个粒子记忆、追随当前的最优粒子，在解空间中搜索。每次迭代的过程不是完全随机，如果能找到较好解，将会以此为依据来寻找下一个解。