Kay Chen Tan(陈家进)教授学术报告通知:动态多目标进化优化研究进展

发布者:王健发布时间:2019-05-27浏览次数:323

主讲人:Kay Chen Tan(陈家进)教授(英国格拉斯哥大学学士、博士,长江讲座教授,美国 IEEE FellowFellow 评委、计算智能协会理事会委员)

题目: Advances in Evolutionary Dynamic Multi-objective Optimization (动态多目标进化优化研究进展)

时间:2019530日上午9:00

地点:南教202

个人简介:

Kay Chen Tan 教授,英国格拉斯哥大学学士、博士,长江讲座教授,美国IEEE FellowFellow 评委、计算智能协会理事会委员。

1997年起在新加坡国立大学担任博士生导师,现任香港城市大学教授,担任 IEEE Transactions on Evolutionary ComputationIF8.124)主编,曾任 IEEE Computational Intelligence MagazineIF6.611)主编,也是其它10多个顶级国际期刊的编辑,2016年世界智能计算全会(WCCI)联合主席,2019 IEEE 进化计算大会(CEC)联合主席。Tan 教授发表了300多篇论文,出版了10本专著,其中《现代工业自动化软件设计》被翻译成中文,曾应邀在60多个国际会议上做大会报告,获得了许多学术机构的成就奖和荣誉,包括2016 IEEE Transactions on Neural Network and Learning Systems 的最佳论文奖,2008年国际机构 International Network for Engineering Education & Research‘Recognition Award’奖等。他主要研究人工智能及计算智能、机器学习及优化、数据挖掘及运筹学等,推进优化、数据分析和机器学习应用的理论和创新技术,在Google学术上被引用11,500余次,h-index 55

报告摘要:

多目标优化涉及两个或多个目标函数的同时优化,这本质上是相互冲突的,因此产生了对给定优化问题的一组折衷解。进化算法由于其基于种群的特性,能够在一次仿真运行中找到不同的解集,因此在解决多目标优化问题中广泛应用。然而,实际的优化问题可能涉及目标函数、决策变量和约束,这些都可能随着时间的推移而变化。动态多目标优化问题要求进化算法能够检测到问题环境的变化,并鲁棒跟踪变化的最优解,在保持多样性的同时达到更快的收敛速度。本报告将讨论基于预测的动态处理方法,并提出卡尔曼滤波和专家混合动态处理策略等新方法。这些预测模型可以从以前的经验中学习模式并预测未来的变化。有助于将搜索引向已更改的最优值,从而加速优化过程的收敛。未来的研究方向也将在报告中讨论。




                                                                      

 (编辑:龚晓玲)