2019年11月10日上午9:00，应学院邀请，华南理工大学计算机科学与工程学院陈伟能教授和詹志辉教授在学院二楼会议室做了题为“大规模群体进化计算方法”和“数据辅助的演化计算”的报告，报告会由我院张楠副院长主持。

大规模高维优化问题对群体智能和进化计算方法提出了两方面的挑战：一方面由于搜索空间指数级增长，局部最优数目快速增加，对算法收敛的有效性（Effectiveness）提出挑战；另一方面由于算法所需的种群大小和迭代次数增加，适应值评价时间增长，对算法的效率（Efficiency）提出挑战。陈伟能教授分别从整体进化和协同进化的角度介绍多种大规模优化的进化算法及其应用，针对大规模不可分割的优化问题，介绍了基于分段支配学习机制和分层学习机制的大规模进化算法，提高算法在高维环境的有效性；针对部分可解耦的优化问题，尤其针对基于图（graph）的大规模优化问题，介绍了基于网络划分的协同演化方法；进一步结合并行分布式计算环境，介绍了基于池模型的资源自适应分配协同进化算法，提高算法的可扩展性。

演化计算是一种模拟自然界生物演化过程和群体智能行为的先进智能计算方法。演化计算方法通过适应值驱动来实现对问题的搜索求解，具有不依赖于问题的精确数学模型等优势，是众多复杂优化问题难以使用传统基于数学的优化方法进行求解之后的重要求解途径，目前已经成为了人工智能领域的前沿和热点研究方向。然而，在大数据等复杂环境下，优化问题存在多峰值、动态性和超多目标等新的挑战，传统纯粹基于适应值驱动的演化计算方法往往存在求解精度低、收敛速度慢等问题。由于演化计算是一种基于种群搜索和迭代演化的方法，在运行过程中会产生大量的搜索数据和历史数据，如何对这些数据进行有效和高效的利用，从而辅助提高演化计算的效率，是演化计算研究中的热点和难点问题。詹志辉教授对数据辅助的演化计算研究进行了介绍，主要包括如何使用先进聚类、数据预测、主成分降维、神经网络拟合、数据分析等技术方法对演化过程中的搜索数据和历史数据进行分析、处理和预测，从而辅助算法更好地在求解多峰值、动态性和超多目标等复杂的优化问题的时候获得更高的求解精度和更快收敛速度。

报告结束后，陈伟能教授和詹志辉教授与我院师生进行了深入的交流，让我院师生对该方向有了更深的认识。

报告人简介：

陈伟能，华南理工大学计算机科学与工程学院教授，博士生导师、副院长。主要研究方向是群体智能、演化计算、大数据及智能优化应用，主持国家科技创新2030“新一代人工智能”重大项目、国家自然科学基金面上项目、国家自然科学基金-英国皇家学会牛顿基金项目等国家和省部级项目10余项，任大数据与计算智能粤港联合创新平台负责人。已发表国际期刊和国际会议论文100余篇，其中IEEE Transactions长文40余篇。2016年获国家优秀青年科学基金资助，2015年获广东省杰出青年科学基金资助；2018年获霍英东青年教师奖。博士学位论文先后获IEEE CIS（计算智能学会）杰出博士学位论文奖（全球每年1篇）和中国计算机学会（CCF）优秀博士学位论文奖。现任IEEE广州分会副主席，中国计算机学会人工智能与模式识别专业委员会委员，IEEE TNNLS及Complex and Intelligent Systems副编辑。

陈伟能教授在做学术报告

詹志辉，博士，华南理工大学计算机科学与工程学院教授，博士生导师。教育部青年长江学者、国家优青、爱思唯尔中国高被引学者、广东省青年珠江学者和广东省杰青。主要研究领域包括人工智能、演化计算。目前已发表（录用）国际期刊和国际会议论文100余篇，其中IEEE Transactions系列等计算机领域的顶尖国际期刊论文40余篇，包括ESI高被引论文8篇、ESI热点论文1篇。曾获吴文俊人工智能优秀青年奖、IEEE计算智能协会（CIS）全球杰出博士学位论文奖和中国计算机学会（CCF）优秀博士学位论文奖。现任广州计算机学会副理事长、中国图学学会图学大数据专委会副主任、中国计算机学会人工智能与模式识别专委会委员、中国人工智能学会机器学习专委会委员和中国自动化学会自适应动态规划与强化学习专委会委员。

詹志辉教授在做学术报告