时间：2022年11月18日16:00-18:10

报告地点：腾讯会议 933-937-185

汇报人简介：

(1)秦淑芬：

秦淑芬，博士，讲师，2019年9月在太原科技大学硕博连读，并于2022年7月毕业，目前主要从事高维多目标优化、大规模多目标优化、数据驱动的进化优化等方面的研究，已主持山西省研究生优秀创新项目、太原科技大学研究生优秀创新项目，以及太原科技大学博士科研启动基金项目和山西省高等学校科技创新项目，以第一作者共发表学术论文5篇，其中在进化计算领域top期刊《IEEE Transactions on Evolutionary Computation》上发表1篇，国际学术会议《IEEE Congress on Evolutionary Computation》上发表1篇。

报告题目：求解昂贵复杂多目标问题的进化优化算法研究

报告摘要：

科学、工程、生活等领域存在很多优化问题，其往往需要同时优化多个无法给出显式公式的目标函数，且评价这些目标函数耗时较长，导致无法直接使用进化优化算法来求解这类问题。引入代理模型以辅助进化优化算法是求解昂贵优化问题的常用方法。然而，一方面随着决策空间维度的增大，训练模型所需的样本增多，在计算资源有限的情况下很难训练出合适的代理模型用于引导搜索；另一方面随着优化目标数量的增多，任意一个目标上的估值错误都可能引起搜索方向错误以及填充采样点的选择错误。本报告将针对目标空间高维、决策空间高维以及目标函数评价昂贵的复杂多目标优化问题展开进化多目标优化算法的研究进行介绍。

(2）郭倩：

郭倩，博士，讲师，主要研究方向为逻辑学习，先后在IEEE TPAMI、IEEE TEVC、IJAR、JMLC、ICDM、《模式识别与人工智能》等国内外重要学术期刊会议发表论文多篇，授权国家发明专利1项，作为主要人员参与“科技创新2030—新一代人工智能”重大项目、国家自然科学基金重点项目等多项项目。

报告题目：视觉逻辑学习

报告摘要：

逻辑推理是人类智能的一种重要能力，也是人工智能的一项重要任务。为应对各类逻辑推理任务，专家已经提出许多逻辑推理方法，比如模糊推理、概率推理、证据推理和贝叶斯推理等，然而这些方法通常需要事先设计一些推理模式，这样做十分的费时费力。此外，当直接挖掘隐藏在复杂数据中的逻辑关系时，专家也无法很快找到其内部的逻辑关系，甚至无法找到其逻辑关系。这就引出了一个有趣的研究问题：逻辑推理模式可以直接从给定的数据中学习得到吗？因此，在事先不定义逻辑模式的前提下，让机器直接从数据中挖掘逻辑模式是人工智能研究领域的一个重要科学问题。本报告从视觉的角度出发，初步探索了逻辑的可学习问题。

（3）王浩

王浩，博士在读，于2020年9月太原科技大学电子信息工程学院攻读博士学位，主要研究方向为高维多目标优化算法，昂贵高维多目标优化算法。目前主持太原科技大学研究生创新项目，以第一作者发表学术论文5篇，其中被SCI收录3篇，EI收录2篇。

报告题目：数据驱动的昂贵高维多目标优化算法

报告摘要：

多目标优化问题在现实生活，工程实际中广泛存在，当多目标优化问题的评价成本过高或者计算较费时，称为昂贵高维多目标优化问题。由于传统的多目标优化算法由于其在求解过程中需要数以万计的评价次数而不适用于求解昂贵高维多目标优化问题。依据历史数据建立代理模型来拟合昂贵目标函数，并且通过建立的模型辅助种群进化是解决该类型问题的有效手段。然而，随着昂贵优化问题目标数目的增多，建立模型的数量也在相应增多，往往会导致算法的建模成本的增高和模型的误差累积。另外，提出恰当的填充准则从模型辅助优化后的种群中选择合适的解进行真实评价也是非常重要的一部分。因此，本报告将从建模方法和填充采样两个方面，简要介绍两种解决昂贵高维多目标优化问题的算法。