導語

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雜數(shù)學假設、搜索范圍廣、天然適合并行計算，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，本報告將介紹團隊提出的三類群體交互框架——支配式、鄰域式與差異式——分別從導向性、多向性和覆蓋性提升協(xié)同搜索效果，從而顯著增強大規(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，優(yōu)化復雜度日益增加，導致傳統(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)學特性要求、全局搜索能力強、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)捛叶啵后w協(xié)同面臨局地性；變量緊耦合、解空間高度復雜，群體協(xié)同不充分。為有效解決上述問題，項目團隊圍繞大規(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)模復雜優(yōu)化問題的性能得到了極大提升。本報告將詳細介紹上述框架，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，促進大規(guī)模群體智能算法的研究進展。

分享大綱

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

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

• 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：導向性增強與收斂性提升

• 內(nèi)容3.1 支配式交互機制：用導向信息強化協(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：多向性增強與多樣性提升

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

• 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：異向性增強與廣面性提升

• 內(nèi)容5.1 差異式交互機制：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：強耦合、高復雜度與結構未知的場景

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，南京信息工程大學副教授（校聘教授），南京信息工程大學龍山學者，碩士生導師；分別于2014年和2019年在中山大學信息科學與工程學院和數(shù)據(jù)科學與計算機學院獲得碩士和博士學位；主要從事計算智能算法及其應用研究，累計發(fā)表學術論文100余篇，其中在人工智能領域的國際頂級期刊IEEE Transactions系列期刊發(fā)表論文10余篇，累計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）最佳學生論文提名獎，1篇論文獲評IEEE ICACI2023（計算智能領域旗艦會議）最佳論文獎；1篇論文獲評IEEE MiTA2024（計算智能領域旗艦會議）最佳論文獎；授權發(fā)明專利15項；2020年入選江蘇省雙創(chuàng)博士計劃，2022年獲評校五四青年獎章，2023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”第三層次人才計劃，主持國家自然科學基金項目2項，江蘇省自然科學基金項目1項，江蘇省高等學校自然科學基金面上項目1項。

參考文獻

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.

報名讀書會：

「群體智能：從自然涌現(xiàn)到人機共創(chuàng)」

集智俱樂部聯(lián)合北京師范大學系統(tǒng)科學學院韓戰(zhàn)鋼教授、暨南大學計算傳播研究中心趙甜芳副教授、新疆大學物理科學與技術學院玉素甫·艾比布拉副教授等學者，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、以及如何被設計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

視頻號直播預約：

報名方式：

第一步：微信掃碼填寫報名信息。

第二步：填寫信息后，付費報名。如需用支付寶支付，請在PC端進入讀書會頁面報名支付：

第三步：添加運營助理微信，拉入對應主題的讀書會社區(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問題的空泛的哲學和思辨式討論；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。

加入社區(qū)后可獲得的資源

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