導(dǎo)語

在物聯(lián)網(wǎng)和智能制造等場景里，我們經(jīng)常要在成千上萬的變量中找最優(yōu)解，但維度高、耦合強(qiáng)會讓傳統(tǒng)優(yōu)化方法很快力不從心。群體智能算法憑借不依賴復(fù)雜數(shù)學(xué)假設(shè)、搜索范圍廣、天然適合并行計(jì)算，成為解決大規(guī)模優(yōu)化的重要手段。不過在高維空間中，它也容易效率下降、陷入局部最優(yōu)、協(xié)同不足。為此，本報(bào)告將介紹團(tuán)隊(duì)提出的三類群體交互框架——支配式、鄰域式與差異式——分別從導(dǎo)向性、多向性和覆蓋性提升協(xié)同搜索效果，從而顯著增強(qiáng)大規(guī)模優(yōu)化求解性能。

內(nèi)容簡介

高維度大規(guī)模優(yōu)化問題在日常生活和工業(yè)生產(chǎn)中日益常見，尤其在當(dāng)今物聯(lián)網(wǎng)環(huán)境下，優(yōu)化問題的維度日益增多，變量耦合性日益增強(qiáng)，優(yōu)化復(fù)雜度日益增加，導(dǎo)致傳統(tǒng)優(yōu)化算法無法有效求解。憑借對待解優(yōu)化問題無任何數(shù)學(xué)特性要求、全局搜索能力強(qiáng)、內(nèi)在并行特性等優(yōu)勢，群體智能算法已經(jīng)成為了求解大規(guī)模復(fù)雜優(yōu)化問題的重要途徑之一。

然而高維度環(huán)境下，解空間指數(shù)式增長，群體協(xié)同搜索效率較低；局部最優(yōu)區(qū)域?qū)捛叶?，群體協(xié)同面臨局地性；變量緊耦合、解空間高度復(fù)雜，群體協(xié)同不充分。為有效解決上述問題，項(xiàng)目團(tuán)隊(duì)圍繞大規(guī)模高維度環(huán)境下的群體協(xié)同交互的高效性和有效性問題，分別提出了支配式群體交互框架，增加群體交互的導(dǎo)向性，提升群體協(xié)同搜索的收斂性；提出了鄰域式群體交互框架，增加群體交互的多向性，提升群體協(xié)同搜索的多樣性；提出了差異式群體交互框架，增加群體交互的異向性，提升群體協(xié)同搜索的廣面性。依托上述框架，群體智能算法求解大規(guī)模復(fù)雜優(yōu)化問題的性能得到了極大提升。本報(bào)告將詳細(xì)介紹上述框架，以期讓讀者了解提升大規(guī)模場景下群體協(xié)同交互有效性的方法，從而啟發(fā)讀者開展深入研究，促進(jìn)大規(guī)模群體智能算法的研究進(jìn)展。

分享大綱

內(nèi)容1 高維度大規(guī)模優(yōu)化：背景、難點(diǎn)與群體智能優(yōu)勢

• 內(nèi)容1.1 物聯(lián)網(wǎng)場景下維度增加、變量耦合增強(qiáng)與復(fù)雜度上升

• 內(nèi)容1.2 傳統(tǒng)優(yōu)化算法失效的根源：規(guī)模、耦合與搜索空間爆炸

• 內(nèi)容1.3 群體智能算法優(yōu)勢：無數(shù)學(xué)特性要求、全局搜索、內(nèi)在并行

內(nèi)容2 高維環(huán)境下群體協(xié)同的三類核心瓶頸

• 內(nèi)容2.1 解空間指數(shù)式增長：協(xié)同搜索效率低與收斂變慢

• 內(nèi)容2.2 局部最優(yōu)區(qū)域?qū)捛叶啵簠f(xié)同搜索的局地性陷阱

• 內(nèi)容2.3 變量緊耦合與空間高度復(fù)雜：協(xié)同不充分與信息利用不足

內(nèi)容3 支配式群體交互框架：導(dǎo)向性增強(qiáng)與收斂性提升

• 內(nèi)容3.1 支配式交互機(jī)制：用導(dǎo)向信息強(qiáng)化協(xié)同搜索方向

• 內(nèi)容3.2 收斂性提升路徑：減少無效搜索與加速穩(wěn)定收斂

• 內(nèi)容3.3 適用問題特征：高維、強(qiáng)噪聲或易陷局部的場景

內(nèi)容4 鄰域式群體交互框架：多向性增強(qiáng)與多樣性提升

• 內(nèi)容4.1 鄰域式交互機(jī)制：局部鄰域內(nèi)多方向信息交換與擴(kuò)散

• 內(nèi)容4.2 多樣性提升路徑：維持探索能力與避免過早收斂

• 內(nèi)容4.3 適用問題特征：多峰、動態(tài)或需要持續(xù)探索的場景

內(nèi)容5 差異式群體交互框架：異向性增強(qiáng)與廣面性提升

• 內(nèi)容5.1 差異式交互機(jī)制：利用差異信息驅(qū)動異向探索與分散搜索

• 內(nèi)容5.2 廣面性提升路徑：擴(kuò)大覆蓋范圍與提升全局尋優(yōu)概率

• 內(nèi)容5.3 適用問題特征：強(qiáng)耦合、高復(fù)雜度與結(jié)構(gòu)未知的場景

核心概念

高維大規(guī)模優(yōu)化 High-dimensional Large-scale Optimization

變量耦合 Variable Coupling

群體智能算法 Swarm Intelligence Algorithms

群體協(xié)同搜索 Cooperative Swarm Search

支配式群體交互框架 Dominance-based Interaction Framework

鄰域式群體交互框架 Neighborhood-based Interaction Framework

差異式群體交互框架 Difference-based Interaction Framework

收斂性-多樣性-廣面性 Convergence-Diversity-Coverage

主講人介紹

主講人：楊強(qiáng)，南京信息工程大學(xué)副教授（校聘教授），南京信息工程大學(xué)龍山學(xué)者，碩士生導(dǎo)師；分別于2014年和2019年在中山大學(xué)信息科學(xué)與工程學(xué)院和數(shù)據(jù)科學(xué)與計(jì)算機(jī)學(xué)院獲得碩士和博士學(xué)位；主要從事計(jì)算智能算法及其應(yīng)用研究，累計(jì)發(fā)表學(xué)術(shù)論文100余篇，其中在人工智能領(lǐng)域的國際頂級期刊IEEE Transactions系列期刊發(fā)表論文10余篇，累計(jì)Google Scholar引用3200余次，1篇論文入選ESI高被引論文，1篇論文獲評IEEE SMC2022（CCF C類會議）最佳學(xué)生論文提名獎，1篇論文獲評IEEE ICACI2023（計(jì)算智能領(lǐng)域旗艦會議）最佳論文獎；1篇論文獲評IEEE MiTA2024（計(jì)算智能領(lǐng)域旗艦會議）最佳論文獎；授權(quán)發(fā)明專利15項(xiàng)；2020年入選江蘇省雙創(chuàng)博士計(jì)劃，2022年獲評校五四青年獎?wù)拢?023年獲評校首批十大青年科技之星，2024年入選江蘇省第七期“333工程”第三層次人才計(jì)劃，主持國家自然科學(xué)基金項(xiàng)目2項(xiàng)，江蘇省自然科學(xué)基金項(xiàng)目1項(xiàng)，江蘇省高等學(xué)校自然科學(xué)基金面上項(xiàng)目1項(xiàng)。

參考文獻(xiàn)

1. Qiang Yang*, Gong-Wei Song (Graduate Student), Wei-Neng Chen, Ya-Hui Jia, Xu-Dong Gao, Zhen-Yu Lu, Sang-Woon Jeon, and Jun Zhang, "Random Contrastive Interaction for Particle Swarm Optimization in High-Dimensional Environment", IEEE Transactions on Evolutionary Computation, vol. 28, no. 4, pp. 933-949, 2024.

2. Qiang Yang, Wei-Neng Chen, Tianlong Gu, Hu Jin, Wentao Mao, and Jun Zhang. "An Adaptive Stochastic Dominant Learning Swarm Optimizer for High Dimensional Optimization", IEEE Transactions on Cybernetics, vol. 52, no. 3, pp. 1960-1976, 2022.

3. Qiang Yang, Wei-Neng Chen, Tianlong Gu, Huaxiang Zhang, Sam Kwong, and Jun Zhang. "A Distributed Swarm Optimizer with Adaptive Communication for Large Scale Optimization", IEEE Transactions on Cybernetics, vol. 50, no. 7, pp. 3393-3408, 2020.

4. Qiang Yang, Wei-Neng Chen, Jeremiah Da Deng, Yun Li, Tianlong Gu, and Jun Zhang. "A Level-based Learning Swarm Optimizer for Large Scale Optimization", IEEE Transactions on Evolutionary Computation, vol. 22, no. 4, pp. 578-594, 2018.

報(bào)名讀書會：

「群體智能：從自然涌現(xiàn)到人機(jī)共創(chuàng)」

集智俱樂部聯(lián)合北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院韓戰(zhàn)鋼教授、暨南大學(xué)計(jì)算傳播研究中心趙甜芳副教授、新疆大學(xué)物理科學(xué)與技術(shù)學(xué)院玉素甫·艾比布拉副教授等學(xué)者，共同發(fā)起本次，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優(yōu)化，放在同一張地圖上重新理解。讀書會自2026年1月24日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現(xiàn)、如何被理解、以及如何被設(shè)計(jì)，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

視頻號直播預(yù)約：

報(bào)名方式：

第一步：微信掃碼填寫報(bào)名信息。

第二步：填寫信息后，付費(fèi)報(bào)名。如需用支付寶支付，請?jiān)赑C端進(jìn)入讀書會頁面報(bào)名支付：

第三步：添加運(yùn)營助理微信，拉入對應(yīng)主題的讀書會社區(qū)（微信群）。

PS：為確保專業(yè)性和討論的聚焦，本讀書會謝絕脫離讀書會主題和群體智能相關(guān)問題的空泛的哲學(xué)和思辨式討論；如果出現(xiàn)討論內(nèi)容不符合要求、經(jīng)提醒無效者，會被移除群聊并對未參與部分退費(fèi)。

加入社區(qū)后可獲得的資源

完整權(quán)限包括：線上問答、錄播回看、資料共享、社群交流、信息同步、共創(chuàng)任務(wù)獲取積分等。