下一代演化计算发展趋势 | CNCC2021

进化计算起源于上个世纪50年代，至今已有70年的历史，是人工智能领域的重要分支。一般来说，演化计算包括演化规划、遗传算法、差分进化、遗传编程、协同演化等受自然选择学说启发的算法，以及粒子群优化、蚁群算法等群体智能算法。这些算法都是基于种群的随机搜索算法，常用于求解学习和优化问题。为求解各种复杂学习和优化问题，随着算力的提升，现有的单点搜索算法终将演变为群体搜索算法。在群体搜索算法中，与个体搜索能力相比，个体间的交互和协作显得更加重要。本论坛将邀请一流学者报告进化计算的现状和挑战，讨论下一代演化计算的发展趋势。

姚新

南方科技大学

姚新，中国科技大学计算机科学与技术本科学位（1982），电子部华北计算技术研究所（北京）硕士学位（1985），中国科技大学计算机科学与技术博士学位（1990），师从陈国良院士和李国杰院士。1990-1992年分别在澳大利亚国立大学和澳大利亚CSIRO建筑、建造和工程部做博士后研究员；1992-1999年在澳大利亚新南威尔士大学（澳大利亚国防学院）任教，历任讲师、高级讲师和副教授；1999-2016年在英国伯明翰大学任计算智能和应用卓越研究中心主任、讲座教授。2016年到南方科技大学创建计算机系至今。其主要研究领域包括演化计算、智能优化、机器学习等。姚新教授曾任IEEE计算智能学会主席（2014-2015）。2003-2008年担任IEEE TEVC主编。他的工作曾获2001 IEEE Donald G. Fink 优秀论文奖; 2010, 2016 and 2017 IEEE Transactions on Evolutionary Computation 最佳论文奖（三次）; 2011 IEEE Transactions on Neural Networks 最佳论文奖; 2010 英国电讯 Gordon Radley 最佳创新作者奖（提名）; 和许多会议的最佳论文奖 。他个人曾获 2012 英国皇家学会沃尔夫森优秀研究奖；2013 IEEE 计算智能学会演化计算先驱奖（计算智能学会最高奖）；和 2020 IEEE Frank Rosenblatt奖（历史上第一位华人获奖者)。他论文的谷歌总引用超过58670次，H-指数为110。姚新教授于2020年入选科睿唯安全球高被引学者，2016年入选汤森路透全球高被引学者。他曾在150+国际会议作大会主旨报告／特邀报告。他曾应邀在美国University of Missouri – Columbia给过Sterling Hou Lecture（2005）, 在希腊Aristotle University of Thessaloniki 做过Distinguished "Leon the Mathematician" Lecturer（2010），在中科院自动化所和中国自动化学会做过The Hsue-Shen Tsien International Distinguished Scientists Lecturer（2013）。他是国家级人才专家、教育部重大人才项目专家、美国电气电子工程师学会会士（IEEE Fellow），曾获国自然海外杰出青年基金资助。

罗文坚

哈尔滨工业大学（深圳）

哈尔滨工业大学（深圳）计算机科学与技术学院教授，博士生导师，CCF杰出会员。分别于1998年7月、2003 年7月在中国科学技术大学计算机科学技术系获得学士学位和博士学位。研究方向为人工智能及应用，包括器学习、免疫计算、群体智能等相关基础理论和方法研究，作为项目负责人承担了近二十项国家、省部级科研项目以及企业合作项目。目前担任Information Sciences、Swarm and Evolutionary Computation和Journal of Information Security and Applications等多个国际期刊的副编/编委，曾任IEEE Transactions on Emerging Topics in Computational Intelligence等期刊客座编辑，曾任包括CCF B类会议PPSN、CCF C类会议IJCNN等在内的10多个国际国内学术会议程序委员会和组织委员会的各类主席。获授权专利2项；发表论文100多篇，其中IEEE/ACM Transactions和JCR一区论文40多篇。

徐宗本

中国科学院 院士、西安交通大学 教授

讲者简介：中国科学院院士，数学家、西安交通大学教授。主要从事智能信息处理、机器学习、数据建模基础理论研究。曾提出稀疏信息处理的L(1/2)正则化理论,为稀疏微波成像提供了重要基础；发现并证明机器学习的“徐-罗奇”定理, 解决了神经网络与模拟演化计算中的一些困难问题，为非欧氏框架下机器学习与非线性分析提供了普遍的数量推演准则; 提出基于视觉认知的数据建模新原理与新方法，形成了聚类分析、判别分析、隐变量分析等系列数据挖掘核心算法, 并广泛应用于科学与工程领域。曾获国家自然科学二等奖、国家科技进步二等奖、陕西省最高科技奖; 国际IAITQM 理查德.普莱斯(Richard Price)数据科学奖; 中国陈嘉庚信息技术科学奖、中国CSIAM苏步青应用数学奖；曾在2010年世界数学家大会上作45分钟特邀报告。曾任西安交通大学副校长，现任人工智能与数字經济广东省实验室(琶洲实验室)主任、鹏城实验室广州基地主任、陕西国家应用数学中心主任、大数据算法与分析技术国家工程实验室主任；是国家大数据专家咨询委员会委员、国家新一代人工智能战略咨询委员会委员。

报告题目：如何学习学习方法论?

报告摘要：学习方法论是指导、管理学习者如何学习/完成学习任务的一般原则与方法学。在机器学习从人工化，走向自动化,迈向自主化的大趋势下，让机器学会人类的学习方法论，或者更严格地说，学会模拟学习方法论(Simulate Learning Methodology，SLM)成为AI发展的必需，具有重大的科学意义和应用价值。本报告严格定义学习学习方法论问题，提出SLM的双层优化模型和“超参数化”求解方法，建立SLM泛化性理论，并应用于几个具体的机器学习自动化问题,展示其有效性。所建立的SLM理论核心在于对学习任务、学习方法和学习方法论的严格数学描述。我们采用了数据科学的随机建模观点，即将现实世界的规律建模作数学上的随机变量（分布函数），而将数据集视作是某一随机变量的抽样样本，于是，我们将一个学习任务T理解为一个统计推断（即从样本集对随机变量的某个性质作推断）；我们定义学习空间K是由四个基本空间组成的无限维乘积，其中F是描述数据集的分布函数空间，H是机器学习的假设空间，L是损失函数空间，O是优化算法空间，这样，一个学习方法被定义作K上的一个赋值(用超参数化的语言，该赋值为四个无穷序列值)；进而我们定义学习方法论是一个从任务空间T到学习空间K的映射 LM:T→K，LM(T)被称为是一个超参赋值。基于这样的建模，我们说明：学习学习方法论问题是函数空间上的学习问题，而SLM是有限维空间上的超参赋值规则学习问题；而无论是前者还是后者，它们都可建模作双层优化问题。这一研究为机器学习自动化提供了可行的理论框架，也为学习学习方法论的更深入研究提供了模型基础。

焦李成

西安电子科技大学计算机科学与技术学部 主任、人工智能研究院 院长、教授

讲者简介：焦李成，工学博士，教授，博导，分别于1982年，1984年，1990年于上海交通大学，西安交通大学获得学士、硕士、博士学位。入选欧洲科学院外籍院士，俄罗斯自然科学院外籍院士。主要研究方向为智能感知与量子计算、图像理解与目标识别、深度学习与类脑计算。现任西安电子科技大学计算机科学与技术学部主任、人工智能研究院院长、智能感知与图像理解教育部重点实验室主任、教育部科技委学部委员、教育部人工智能科技创新专家组专家、“一带一路”人工智能创新联盟理事长，陕西省人工智能产业技术创新战略联盟理事长，西安市人工智能产业发展联盟理事长、中国人工智能学会第六-七届副理事长、IEEE TGRS副主编、IEEE TCyb副主编，IEEE/IET/CAAI/CAA/CIE/CCF Fellow，连续七年入选爱思唯尔高被引学者榜单。研究成果获包括青年科技奖，吴文俊人工智能杰出贡献奖，国家自然科学奖二等奖及省部级一等奖以上科技奖励十余项。

报告题目：进化学习与优化的思考与挑战

报告摘要：新一轮科技革命和产业变革蓬勃兴起，一些基本科学问题孕育重大突破，可望催生新的重大科学思想和科学理论，产生颠覆性技术。人工智能技术作为当今社会的主要生产力，演化计算方法也发挥了巨大的作用。在诸多行业和领域取得了非常显著的成效，同时具有巨大的潜力。本报告回顾进化学习的发展历程，重点讨论目前进化学习与优化的研究进展，结合团队在进化学习方向的一些工作，给出对未来发展的一些思考。

丁进良

东北大学 教授、流程工业综合自动化国家重点实验室 副主任

讲者简介：东北大学教授、博士生导师。长江学者特聘教授、国家杰出青年科学基金获得者，现任流程工业综合自动化国家重点实验室副主任。长期从事复杂工业过程智能建模与智能优化与控制、生产全流程运行优化、计算智能及其应用研究。先后主持和参与国家自然科学基金重大项目课题、国家重点研发项目课题等科研项目20余项。发表论文100余篇，获IFAC会刊Control Engineering Practice 2011-2013年度最佳论文奖。获得发明专利20余项（美国专利1项）、计算机软件著作权11项。获第十四届中国青年科技奖、国家技术发明二等奖1项（排名第2）和省部级一等奖3项。

报告题目：智能计算求解流程工业优化问题初探

报告摘要：流程工业智能化的发展目标对生产过程运行优化提出了更高的要求。流程工业过程是一个连续、多变量、动态、多目标和多约束的复杂生产过程，其过程运行优化具有很大的挑战性。本报告通过对典型流程工业生产过程优化问题的分析，给出问题的主要特性，探讨智能计算求解典型工业生产过程优化问题的算法和工业优化系统软件等方面的研究。

唐珂

南方科技大学计算机科学与工程系 教授

讲者简介：唐珂，南方科技大学计算机科学与工程系教授、长江学者。主要研究领域为人工智能的共性原理、算法（如演化计算、强化学习、机器学习等），以及人工智能与设计、金融、物流等领域的交叉研究。已发表论文180余篇，被引10000余次（谷歌学术），研究成果曾获教育部一等奖、二等奖、中国电子学会自然科学一等奖。曾获IEEE计算智能学会杰出青年奖，入选英国皇家学会牛顿高级学者、2020年爱思唯尔“中国高被引学者”，现兼任广东省类脑智能计算重点实验室副主任。

报告题目：从进化算法到算法进化

报告摘要：智能算法是绝大多数智能系统的核心部件之一。近十年来，激增的智能应用场景引发了巨大的“需求过载、算法过载”挑战，其引起的对人力和专业知识的大量需求已日益成为人工智能系统落地应用的瓶颈。进化计算领域的发展为解决这一挑战、实现智能算法的自动设计提供了可能的手段。本报告将从智能算法自动设计这一必然需求出发，介绍算法进化的基本思想、技术挑战和该方向的一些最新成果。