1924
6
0
2024-12-27 20:26:50
2024-12-27
(本文轉自智能算法研究中心官方網站：https://www2.scut.edu.cn/huanghan/2024/1227/c9791a573754/page.htm)
學術報告一
報告時間：2024年12月30日（星期一）下午14：30
報告地點：華南理工大學軟件學院B8報告廳
主持人：黃翰 教授
報告題目：Evolution of Heuristics: Towards Efficient Automated Algorithm Design Using Large Language Models
報告摘要：
Heuristics are widely used for dealing with complex search and optimization problems. However, manual design of heuristics can be often very labour extensive and requires rich working experience and knowledge. In this talk, I will introduce Evolution of Heuristic (EoH), an evolutionary paradigm that leverages both Large Language Models (LLMs) and evolutionary search for Automatic Heuristic Design (AHD). EoH represents the ideas of heuristics in natural language, termed thoughts. They are then translated into executable codes by LLMs. The evolution of both thoughts and codes in an evolutionary search framework makes it very effective and efficient for generating high-performance heuristics. Experiments on three widely studied combinatorial optimization benchmark problems demonstrate that EoH outperforms commonly used handcrafted heuristics and other recent AHD methods including FunSearch proposed by google deepmind.
報告人：Chair Professor Qingfu Zhang
個人簡介：
Qingfu Zhang is a Chair Professor of Computational Intelligence with the Department of Computer Science, City University of Hong Kong. His is an IEEE fellow. His main research interests include evolutionary computation, optimization, metaheuristic, machine learning and their applications. He leads the Optimization and learning Group in CityU. His MOEA/D algorithms have been widely researched and used in industry. He has been listed as a highly cited researcher in computer science for 8 times.
學術報告二
報告時間：2024年12月30日（星期一）下午15：30
報告地點：華南理工大學軟件學院B8報告廳
主持人：黃翰 教授
報告題目：面向大規模路徑問題的神經組合優化方法
報告摘要：
神經組合優化 (NCO) 旨在直接從數據中學習一個能夠直接求解復雜組合優化問題，如旅行商問題 (TSP) 和容量受限車輛路徑問題 (CVRP)，的神經網絡。現有的 NCO 模型在小規模問題實例上取得了良好的表現，但無法泛化求解大規模問題。本報告將系統地回顧這些現有的 NCO 方法并介紹它們的基本原理。本報告還將總結現有模型大規模泛化能力差的一些可能原因。此外，本報告將介紹一種新的NCO模型，輕型編碼器和重型解碼器 (LEHD)。將詳細介紹該模型的結構、訓練方案和推理策略。之后，我將介紹一個更具一般性的分而治之 (UDC) 框架，可用于解決的范圍更廣的組合優化問題。
報告人: 王振坤 副研究員
個人簡介：
王振坤，IEEE高級會員、廣東省全驅系統理論與技術重點實驗室副主任、南方科技大學自動化與智能制造學院助理教授、博士生導師，研究方向為人工智能與調度優化，以第一/通訊作者身份在IEEE匯刊、ICML、NeurIPS等國際高水平期刊和會議上發表論文40余篇（其中IEEE匯刊論文21篇、CCF A類會議論文12篇），獲2023 年度中國仿真學會自然科學二等獎（國家一級學會，1/7）、2023 年度廣東省自然科學二等獎（2/5）、第八屆全國青年人工智能創新創業大會創新組一等獎（1/3）、第六屆智能優化與調度學術會議青年科學家獎、2024年度SWEVO最佳副編輯獎、華為公司火花獎等榮譽；主持國自然面上等科研項目8項，擔任三個國際期刊的副編輯、IEEE計算智能學會深圳分會學生事務主席、中國人工智能學會青年工作委員會委員、中國仿真學會智能仿真優化與調度專委會委員以及多個國際會議的程序委員會委員。
主辦單位：廣東省計算機學會軟件工程專業委員會
承辦單位：華南理工大學軟件學院
附：華工進校報備流程
被訪人：凌蓮芬
手機號碼：13570468639
被訪人單位類型：學院
被訪人單位：軟件學院
