CNCC技术论坛 | 演化计算进展、应用与未来

会员服务 ·

CNCC技术论坛 | 演化计算进展、应用与未来

2018 年 10 月 2 日 中国计算机学会

2018中国计算机大会（CNCC2018）将于10月25-27日在杭州国际博览中心（G20会场）举行，大会主题为「大数据推动数字经济」（Big Data Drives the Digital Economy）。

10月15日前报名可享优惠，详见文末信息。

演化计算是人工智能领域的一个重要方向，主要关注如何通过计算的手段模拟真实世界中的各类演化过程，其在解决涉及复杂优化的任务中已发挥重要作用。论坛有幸邀请到七位专家，介绍演化计算的进展与应用，并探讨未来。

时间：10月27日下午13:30-17:30

地点：杭州国际博览中心会议区一层102a会议室

演化计算是人工智能领域的一个重要方向，主要关注如何通过计算的手段模拟真实世界中的各类演化过程，回答或解决复杂的实际问题，其历史可追溯到1950年图灵对构建智能机器提出的开创性设想。经过半个多世纪的发展，演化计算的模型、算法日趋成熟，在解决许多优化、学习、博弈、设计问题中均发挥了重要作用，尤其适合求解目标函数非凸（多峰）、不连续、不可导、不唯一、带噪声以及约束条件非线性的复杂优化问题。本论坛将讨论两种新提出的具有良好性能的演化算法：基于概率分布估计的演化算法和自组织多目标粒子群优化算法；讨论如何平衡演化算法的探索和开采能力，以及如何利用机器学习技术提升演化算法的效率；讨论一种面向机器学习的演化算法工具箱；并讨论演化算法在深度神经网络的结构设计和参数优化，以及软件工程中的应用。

论坛主席

南方科技大学计算机科学与工程系

唐珂

简介：唐珂，南方科技大学计算机科学与工程系教授。主要研究方向为演化计算、机器学习及其应用。在IEEE TEVC、TNNLS、TCYB、NIPS、IJCAI等期刊和会议发表论文140余篇，被引用6000余次（Google Scholar），研究成果获教育部自然科学一等、二等奖各一项、中国电子学会自然科学一等奖一项。曾先后获得IEEE计算智能学会杰出青年奖（Outstanding Early Career Award）、英国皇家学会牛顿高级学者基金（Newton Advanced Fellowship）、教育部新世纪优秀人才、安徽省杰出青年科学基金，并担任IEEE Trans. on Evolutionary Computation等期刊编委。

特邀讲者

讲者一：西安电子科技大学

公茂果

简介：公茂果，西安电子科技大学二级教授，博士生导师，计算智能研究中心主任，校学术委员会委员，陕西省重点科技创新团队负责人，国家重点研发计划项目首席。主要研究方向为计算智能理论及其在数据与影像分析中的应用。主持国家重点研发计划、国家863计划、国家自然科学基金等十余项课题，发表SCI检索论文100余篇，被引用6000余次，入选中国高被引学者，授权国家发明专利20余项，获2013年国家自然科学奖二等奖和2016年教育部自然科学奖二等奖。担任IEEE演化计算汇刊、IEEE神经网络与学习系统汇刊等期刊编委，IEEE计算智能学会Task Force on Collaborative Learning and Optimization主席，第十/十一届BIC-TA等学术会议主席，中国人工智能学会理事等。曾获"国家高层次人才特殊支持计划"中组部青年拔尖人才、国家优秀青年科学基金、霍英东青年教师奖、教育部新世纪优秀人才支持计划等。

演讲题目：深度神经网络的多目标演化学习

摘要：面对大数据的诸多挑战，深度神经网络借助其深层结构，具备很强的复杂问题建模能力，在计算机视觉、人机对弈等很多应用中取得了突破性的进展。然而，深度神经网络在理论研究上仍然存在亟待解决的瓶颈难题。首先深度网络的结构设计困难，如网络层数、节点数目等都需要人工设定；同时，模型的表达参数对性能的影响显著，需要反复调参；而且，基于梯度的网络优化方法存在梯度弥散和陷入局部最优的缺点。本报告将介绍利用演化多目标优化解决上述难题的一些尝试，并汇报在深度神经网络解决空时影像变化检测关键难题上的一些最新进展。

讲者二：北京工业大学

韩红桂

简介：韩红桂，男，教授，博士生导师。先后入选国家自然科学基金优秀青年科学基金、中国科协青年人才托举工程、北京市科技新星计划等。主要研究方向为城市污水处理过程智能优化控制。研究成果共发表学术论文40余篇，被他人引用600余次；撰写专著1部；获得授权美国/中国发明专利30余项、软件著作权30余项；获教育部科技进步一等奖、吴文俊人工智能科学技术进步奖一等奖、中国产学研合作创新成果科技进步一等奖等。

演讲题目：自组织多目标粒子群优化算法

摘要：多目标优化问题是工程实践和科学研究中的主要问题之一，基于群体智能的多目标粒子群优化算法已成为解决多目标优化问题的有效方法。然而，如何根据优化任务选择合适的种群规模，依然是多目标粒子群优化算法尚未解决的问题。自组织多目标粒子群优化算法根据进化过程中种群的进化状态、种群多样性和有效解所占比例，设计出基于性能指标的种群规模调节标准，确定粒子的有效性；进而提出一种种群规模自组织机制，实现种群规模根据优化任务选择合适的范围；同时，设计出一种惯性权重自适应调整方法，平衡自组织多目标粒子群优化算法的探索和开发能力；自组织多目标粒子群优化算法可以自适应调整种群规模和惯性权重，提高了算法的探索能力和解的多样性。应用于基准测试函数和污水处理过程优化运行的结果显示，自组织多目标粒子群优化算法具有较好的性能。

讲者三：大连理工大学

江贺

简介：江贺，大连理工大学软件学院教授、博导、国家优秀青年科学基金获得者。目前担任大连理工大学软件学院软件工程研究所所长。目前主要研究兴趣为智能软件工程、软件大数据分析。先后在IEEE系列汇刊（TSE, TKDE, TSMCB, TCYB,TSC）, ECJ,中国科学等期刊及ICSE,SANER,GECCO 等国际会议发表论文70余篇，在科学出版社出版专著一部，在人民邮电出版社出版著作及译著各1部。2013年获得大连市五一特等奖章。2013年入选教育部新世纪优秀人才计划。2014年指导博士生获得中国计算机学会优秀博士学位论文奖（CCF优博）。2016年获得全国东软-NASAC青年软件创新奖。2017年获得国家优秀青年科学基金资助。2018年研究成果获得国际软件工程大会ACM SIGSOFT Distinguished Paper Awards.

演讲题目：基于搜索的软件工程

摘要：基于搜索的软件工程作为演化计算与软件工程的交叉领域，为演化计算领域提供了一类新的研究对象，并由此受到国际学术界和工业界的高度关注。本报告首先通过文献分析的方式，揭示本领域的发展概况，包括研究群体分布、主流方法、关键任务等。在此基础上，以需求工程的典型应用为例，介绍基于搜索的软件工程的一个完整研究案例。

讲者四：华南理工大学

陈伟能

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。主要研究方向是演化计算、群智能、运筹优化与云计算，已发表国际期刊和国际会议论文90余篇，其中IEEE Transactions长文20余篇。2017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，2016年获IEEE CIS（计算智能学会）杰出博士学位论文奖（全球评选1篇），2012年度中国计算机学会（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，主持国家自然科学基金等国家、省部级科研项目8项，是科技部重点领域（机器智能）创新团队的核心成员。

演讲题目：基于概率分布的演化算法

摘要：演化计算和群体智能方法，是通过模拟自然界中群体的智能现象和行为来求解问题的一类方法。由于它不依赖于待解问题的数学模型特性，在解决复杂的优化问题时具有独特的优势。本报告将介绍一类特殊的演化算法——基于概率分布的演化算法，提出两类基于概率分布估计的演化算法框架：多解优化概率分布演化方法，以及基于概率分布的连续-离散混合空间优化方法。前者通过将基于概率分布的EC算法思想和小生境技术相结合，通过建立具备概率模型提高算法的搜索多样性，并提高算法在不确定环境中的求解能力；后者针对如粒子群优化等部分重要的EC算法传统上定义于连续空间，难以直接用于离散优化问题的不足，引入概率分布的思想，将问题的解定义为集合，将算法的速度定义和解更新过程重定义为学习概率的更新，从而将算法拓展于连续、离散混合空间。最后，本报告将介绍上述方法在实际工程问题中的应用。

讲者五：西安交通大学

孙建永

简介：孙建永，英国埃塞克斯大学博士，大数据国家工程实验室大数据分析算法研究中心主任，西安交通大学数学与统计学院教授、博导，青千，IEEE高级会员，英国埃塞克斯大学访问教授，英国工程与自然科学研究理事会（EPSRC, BBSRC）评审，英国高等教育学院会员。研究方向包括智能计算、统计机器学习及大数据算法与分析技术，以第一作者在 PNAS及IEEE汇刊发表多篇论文。

演讲题目：Balancing Exploration and Exploitation in Search Space for Multiobjective Evolutionary Optimization

摘要：Balancing exploration and exploitation is fundamental to the performance of evolutionary algorithm, especially to multiobjective evolutionary algorithm. In this paper, we propose a survival analysis method to address this issue. The survival analysis is based on a deep understanding to the evolutionary search procedure. Criterion derived from the analysis is used to guide the chose of appropriate solution generators, which favor either exploration or exploitation. In the developed algorithm, a differential evolution recombination operator is used for the purpose of exploration, while a new clustering-based operator is proposed for exploitation. In the latter operator, a new sampling strategy is proposed to create offspring solutions by adding Gaussian noises with learned variance-covariance. The contribution of each operator in creating new solutions is guided by the survival analysis. Further, to reduce the computational cost on clustering, a reusing scheme is employed based on the clustering analysis between adjacent generations. Empirical comparison with four well-known multi-objective evolutionary algorithms on a number of test instances with complex Pareto sets and Pareto fronts indicates the effectiveness and outperformance of the developed algorithms on these test instances in terms of commonly-used measure metrics.

讲者六：华东师范大学

周爱民

简介：周爱民，博士，研究员，博士生导师。主要研究方向为演化计算与最优化、机器学习、图像处理和应用。分别于2001年和2003年在武汉大学获得计算机学士和硕士学位，2009年在英国Essex大学获得计算机博士学位，2009年起在华东师范大学工作。在IEEE TEVC、IEEE TCYB等权威期刊和会议发表50余篇学术论文，获IES 2014最优论文，Google Scholar引用量3300余次。担任Swarm and Evolutionary Computation、Complex & Intelligent Systems等期刊副主编或编委，参与创办演化计算与优化(ECOLE)研讨会并担任2016年会议主席。

演讲题目：Learning Guided Evolutionary Multiobjective Optimization

摘要：Learning guided evolutionary optimization utilizes statistical & machine learning techniques to assist the evolutionary algorithms. The learning techniques can be used to extract the problem and algorithm information online and thus to improve the algorithm performance. When using learning techniques in evolutionary algorithms, there arises a variety questions, such as why using learning techniques, which learning techniques to use, and how to use learning techniques. In this talk, we firstly try to answer these questions by some analysis. Then from the angle of algorithm design, i.e., initialization, reproduction, selection, stop condition, and algorithm tuning, we give some examples to show how to applying learning techniques to evolutionary multiobjective optimization.

讲者七：南京大学

俞扬

简介：俞扬，博士，南京大学副教授，博士生导师。主要研究领域为人工智能、机器学习、强化学习。获得5次国际会议论文奖，博士论文被评为2013年全国优秀博士学位论文、2011年中国计算机学会优秀博士学位论文，参与的队伍获得OpenAI Retro Contest强化学习比赛等冠军。入选2018年IEEE Intelligent Systems杂志评选的AI's 10 to Watch，获2018 PAKDD Early Career Award，受邀在IJCAI'18做Early Career Spotlight演讲。

演讲题目：ZOOpt: 面向机器学习的非梯度优化工具箱

摘要：机器学习任务常形式化为优化问题。在复杂的应用目标、非线性的模型表示等多种因素的影响下，形成的优化问题往往不具有优良的数学性质。非梯度优化方法对优化函数的要求极少，适用于非凸、非连续、含有大量局部极值的函数，可帮助处理机器学习任务面临的复杂优化问题。然而机器学习任务通常还包含参数维度高、评估噪音大等特性，这对经典非梯度优化方法的有效性形成挑战。报告将汇报我们在非梯度优化的高效、高维、抗噪性等方面的研究，以及基于研究成果开发的ZOOpt工具箱，并讨论实际应用的经验。