学术讲座—数据与知识驱动的进化计算
发布者：
科研处
更新日期：
2026-07-07
访问次数：
10
| 讲座题目 | 数据与知识驱动的进化计算 |
|---|
| 主办单位 | 计算机科学与数学学院 |
|---|
| 联合主办单位 |
|
|---|
| 讲座人 | 詹志辉 | 讲座人
职称 | 正高 | 主持人 | 陈晓平 |
|---|
| 讲座类型 | 自然科学 | 讲座对象 | 全校师生 | 时间 | 2026-07-10 16:00 |
|---|
| 地点 | C4-308 |
|---|
讲
座
人
简
介 | 詹志辉，南开大学人工智能学院教授，博士生导师，IEEE Fellow、IEEE计算智能学会杰出青年奖获得者（每年全球遴选一位）、教育部青年长江学者、国家优青、吴文俊人工智能优秀青年奖获得者、科睿唯安“全球高被引科学家”、人工智能领域全球前2%顶尖科学家（同时入选年度科学影响力和终身科学影响力双榜单）、2014-2025连续12年中国高被引学者。主要研究领域包括人工智能、进化计算和群体智能及其应用，担任进化计算、人工智能和控制领域顶尖国际学术期刊 IEEE Transactions on Evolutionary Computation、IEEE Transactions on Emerging Topics in Computational Intelligence、IEEE Transactions on Systems, Man, and Cybernetics: Systems和IEEE Transactions on Artificial Intelligence等4本IEEE Transactions的副主编。 |
|---|
讲座
主要内容 | 进化计算（Evolutionary Computation, EC）作为一类强大的人工智能优化方法，通过模拟自然界中的进化现象与群体智能行为，在知识创造与复杂问题求解方面展现出巨大潜力。其核心机制遵循达尔文“适者生存”原则，通过选择更优解并生成新解来逐步逼近全局最优。然而，当面对昂贵优化问题时——例如适应度评估耗时巨大、成本高昂，甚至无法构建明确的适应度函数——传统EC算法往往面临严峻挑战。此外，复杂优化问题的高维性、多峰性与非线性特征，也容易使EC算法陷入局部最优，或导致收敛速度过慢，难以在合理时间内定位到有希望的区域。 为突破上述瓶颈，数据驱动进化计算（Data-Driven EC, DDEC）与知识驱动进化计算（Knowledge-Driven EC, KDEC）应运而生，成为提升EC算法性能的重要范式。DDEC/KDEC的核心在于明确“驱动什么”与“如何驱动”两大问题。在驱动对象方面，一方面通过构建代理模型替代真实适应度评估，以降低计算成本并驱动选择过程；另一方面，通过挖掘历史优化过程中的成功模式，辅助生成高质量解，从而驱动进化过程。在具体实现上，数据驱动选择方面涌现出提升式数据驱动进化算法（BDDEA）与分层集成代理辅助进化算法（HES-EA），前者通过迭代提升代理模型精度，后者则利用分层结构与多模型集成策略增强鲁棒性。在数据驱动进化方面，面向优化的学习辅助进化（LEO）与进化计算的知识学习（KLEC）分别从学习辅助生成与知识迁移角度，显著提升了进化效率与解的质量。 这些新型EC范式不仅为求解现代超复杂优化问题提供了全新思路，更有望推动进化计算与人工智能领域的协同发展，开启智能优化技术的新篇章。 |
|---|
|
|
