报 告 人：Kay Chen Tan 教授

工作单位：香港理工大学

报告题目：复杂多目标优化的可学习进化算法

报告时间：2022年9月1日（周四）16:00-17:00

会议网址：https://meeting.tencent.com/dm/GycDo4JgEHPP  （腾讯会议）

（会议号：264 688 331）

内容摘要：

    以基于种群迭代搜索方法为特征的进化算法是解决不同场景多目标优化问题 (MOP) 的有效工具。针对复杂问题，可行解数量随目标函数的增加呈指数增长，搜索空间随设计变量的递增亦呈指数扩张，因此，在目标空间学习自定义有效环境选择策略，并在简化空间中增强搜索能力，对于提升模型可扩展性至关重要。此外，由于优化问题很少孤立存在，解决一个问题（或任务）的先验知识可能有助于其他相关问题的优化。这与人类的学习行为一致，即能够利用过去有用的经验解决手头相关的问题，并在面临多个看似无关问题时挖掘潜在的协同作用。本报告将重点介绍我们最近关于可扩展和可学习多目标优化的工作，以解决各种类型的复杂问题，如多目标优化问题、大规模多目标以及多任务多目标问题，并就未来的研究方向进行一些讨论。

个人简介：

    Kay Chen Tan（IEEE Fellow）教授目前担任香港理工大学计算机系副主任、计算智能首席教授，IEEE 计算智能学会副主席及斯普林格系列著作《Machine Learning: Foundations, Methodologies, and Applications》联合主编，IEEE Distinguished Lecturer及英国诺丁汉大学名誉教授。Kay Chen Tan 教授于2010-2013 年曾任《IEEE Computational Intelligence Magazine》主编，2015-2020年任《IEEE Transactions on Evolutionary Computation》主编。目前，陈家进教授已出版7本专著，发表了230余篇高质量期刊论文。

【编辑：刘晓涵】