随着动态取送问题（dynamic pickup and delivery problem，DPDP）应用于网约车调度、外卖配送等新的领域，具有大规模、强实时、强动态特征的DPDP引起学术界的日益关注.本文首先介绍了动态取送问题的应用和影响因素，从配送模式和配送对象的角度对不同应用背景下的DPDP进行了分类.之后介绍了动态取送问题的定义和特征、常见的求解策略和动态算法的评价标准.选取了三个典型应用（动态拨召服务、网约车调度、即时配送），比较了不同应用背景下问题的共性特征和区别之处，分类回顾了不同问题模型和算法的研究成果.最后，结合目前研究成果对未来发展方向进行了展望.
在数据挖掘研究领域，分类任务广泛存在着数据分布不均衡问题，例如制造状态检测，医疗诊断，金融服务，等等.SMOTE是处理不均衡数据分类问题的常用技术，与Boosting算法相结合可进一步提升分类系统性能，但是这种集成学习容易导致基分类器多样性缺失.基于此，本文提出了一种基于高斯过程SMOTE过采样的Boosting集成学习算法（Gaussian-based smote in boosting，GSMOTEBoost）.该算法在Boosting集成框架下构建不均衡学习模型，为了提高分类系统的鲁棒性，采用基于高斯过程SMOTE过采样技术来增加基分类器训练样本的多样性，从而提高基分类器之间的差异.为了验证算法的有效性，以常用的处理不均衡分类问题的算法作为对比方法，采用KEEL数据库里的20个标准数据集对算法进行测试，以G-mean，F-measure以及AUC作为算法的评价指标，利用统计检验手段对实验结果进行分析.实验结果表明，相对于其他算法，本文提出的GSMOTEBoost具有显著的优势.
