導(dǎo)語

在智能交通、智慧物流等場景中，群體智能需要在分布式算力與海量數(shù)據(jù)環(huán)境下高效協(xié)作，但也面臨目標(biāo)難評估、信息難匯集、協(xié)作難擴(kuò)展的問題。本次分享先從分布式數(shù)據(jù)驅(qū)動群智出發(fā)，介紹多代理協(xié)同、按需評估的聯(lián)邦優(yōu)化與網(wǎng)絡(luò)化多智能體協(xié)同優(yōu)化，并探討用大模型增強感知、理解與策略生成以提升分布式協(xié)作能力；隨后進(jìn)一步面向多任務(wù)群智優(yōu)化，說明如何通過演化遷移學(xué)習(xí)在任務(wù)間轉(zhuǎn)移知識，加速收斂并提升整體性能，重點介紹多層次多段遷移、神經(jīng)網(wǎng)絡(luò)遷移建模與模糊自適應(yīng)調(diào)頻等方法。

內(nèi)容簡介

一、分布式群智協(xié)同優(yōu)化

群體智能是匯聚群體智慧協(xié)同求解復(fù)雜問題的方法，是《新一代人工智能發(fā)展規(guī)劃》明確的重要發(fā)展方向，在智能交通、智慧物流等領(lǐng)域得到廣泛應(yīng)用。隨著超算、邊緣計算等技術(shù)的快速發(fā)展，傳統(tǒng)群體智能方法面臨著個體目標(biāo)難評估、全局信息難匯集、群體協(xié)作難拓展的挑戰(zhàn)，本報告以分布式數(shù)據(jù)驅(qū)動的群體智能為主題，介紹如何有效利用數(shù)據(jù)，激發(fā)分布式環(huán)境下更高效的群智涌現(xiàn)，通過多代理模型協(xié)同驅(qū)動、按需評估的分布式聯(lián)邦優(yōu)化、網(wǎng)絡(luò)化多智能體協(xié)同優(yōu)化等技術(shù)，提高群體智能算法的魯棒性、高效性、可擴(kuò)展性；并探索基于智能體的數(shù)據(jù)驅(qū)動群體智能方法，利用大模型提升個體環(huán)境感知、任務(wù)理解、策略生成能力和群體分布式協(xié)作的能力。

二、多任務(wù)群智優(yōu)化：基于演化遷移學(xué)習(xí)的算法設(shè)計

多任務(wù)優(yōu)化（EMTO）是一種群體智能算法領(lǐng)域新涌現(xiàn)出的一種問題范式，通過利用多個優(yōu)化任務(wù)之間的共享知識來同時解決這些任務(wù)。目前，多任務(wù)優(yōu)化已廣泛應(yīng)用與工程設(shè)計、機(jī)器學(xué)習(xí)和資源分配等眾多實際領(lǐng)域。與傳統(tǒng)的單任務(wù)算法不同，多任務(wù)優(yōu)化中的一個任務(wù)的解決方案可以為相關(guān)任務(wù)提供信息或改進(jìn)解決方案，從而加速收斂并提高整體性能。因此，不同任務(wù)之間的知識轉(zhuǎn)移對于促進(jìn)任務(wù)的優(yōu)化至關(guān)重要。 而如果實現(xiàn)高效的知識遷移也是多任務(wù)優(yōu)化領(lǐng)域的研究重點。本次讀書會從以下三個方面介紹一些最新的知識遷移技術(shù)以及對應(yīng)的多任務(wù)算法。包括：

1、多層次多段學(xué)習(xí):與傳統(tǒng)只在對齊維度上的知識遷移不同，該只是遷移技術(shù)瞄準(zhǔn)相似或相關(guān)的維度上進(jìn)行KT，同時避免處理異構(gòu)問題時的維度填充帶來的冗余信息。

2、基于神經(jīng)網(wǎng)絡(luò)的知識轉(zhuǎn)移：與傳統(tǒng)基于個體的表層知識遷移不同，基于神經(jīng)網(wǎng)絡(luò)的知識遷移側(cè)重與分析任務(wù)的相似性，獲得信息預(yù)測的轉(zhuǎn)移模型，實現(xiàn)知識的本質(zhì)遷移。

3、模糊自適應(yīng)學(xué)習(xí):該知識遷移策略首先設(shè)計一個從多方面綜合評價知識遷移性能的方案，通過不同方面的遷移性能評估，使用模糊邏輯，實現(xiàn)遷移頻率的自適應(yīng)調(diào)整。

分享大綱

內(nèi)容1 分布式數(shù)據(jù)驅(qū)動群體智能：背景與應(yīng)用場景

• 內(nèi)容1.1 群體智能的定位與價值：復(fù)雜問題協(xié)同求解、交通與物流等應(yīng)用

• 內(nèi)容1.2 新算力環(huán)境帶來的挑戰(zhàn)：目標(biāo)難評估、信息難匯集、協(xié)作難拓展

• 內(nèi)容1.3 分布式數(shù)據(jù)驅(qū)動思路：以數(shù)據(jù)激發(fā)更高效的群智涌現(xiàn)

內(nèi)容2 分布式群體智能關(guān)鍵技術(shù)：協(xié)同驅(qū)動與分布式優(yōu)化

• 內(nèi)容2.1 多代理模型協(xié)同驅(qū)動：分布式環(huán)境下的群體協(xié)作機(jī)制設(shè)計

• 內(nèi)容2.2 按需評估的分布式聯(lián)邦優(yōu)化：降低評估成本與提升魯棒性

• 內(nèi)容2.3 網(wǎng)絡(luò)化多智能體協(xié)同優(yōu)化：提升效率、可擴(kuò)展性與穩(wěn)定性

內(nèi)容3 智能體+大模型：增強個體能力與群體協(xié)作能力

• 內(nèi)容3.1 個體能力增強：環(huán)境感知、任務(wù)理解與策略生成

• 內(nèi)容3.2 群體能力增強：分布式協(xié)作與信息協(xié)調(diào)能力提升

• 內(nèi)容3.3 數(shù)據(jù)驅(qū)動范式升級：從傳統(tǒng)群體智能到智能體群智

內(nèi)容4 多任務(wù)優(yōu)化EMTO：問題范式與核心機(jī)制

• 內(nèi)容4.1 EMTO基本思想：多任務(wù)共享知識的聯(lián)合求解框架

• 內(nèi)容4.2 應(yīng)用領(lǐng)域：工程設(shè)計、機(jī)器學(xué)習(xí)與資源分配等場景

• 內(nèi)容4.3 性能來源：任務(wù)間信息復(fù)用帶來的加速收斂與整體提升

內(nèi)容5 知識遷移：多任務(wù)優(yōu)化中的關(guān)鍵科學(xué)問題

• 內(nèi)容5.1 知識轉(zhuǎn)移的重要性：跨任務(wù)信息供給與互促優(yōu)化

• 內(nèi)容5.2 難點與目標(biāo)：實現(xiàn)高效遷移、避免負(fù)遷移與冗余信息

• 內(nèi)容5.3 方法線索：遷移對象、遷移方式與遷移頻率的系統(tǒng)設(shè)計

內(nèi)容6 三類知識遷移技術(shù)與對應(yīng)多任務(wù)算法

• 內(nèi)容6.1 多層次多段學(xué)習(xí)：面向相關(guān)維度的遷移與異構(gòu)冗余抑制

• 內(nèi)容6.2 基于神經(jīng)網(wǎng)絡(luò)的知識轉(zhuǎn)移：任務(wù)相似性建模與本質(zhì)遷移模型

• 內(nèi)容6.3 模糊自適應(yīng)學(xué)習(xí)：多方面遷移評估與遷移頻率自適應(yīng)調(diào)整

核心概念

• 分布式數(shù)據(jù)驅(qū)動群體智能 Distributed Data-driven Swarm Intelligence

• 多代理協(xié)同驅(qū)動 Multi-agent Cooperative Driving

• 分布式聯(lián)邦優(yōu)化 Federated Optimization

• 網(wǎng)絡(luò)化多智能體協(xié)同優(yōu)化 Networked Multi-agent Cooperative Optimization

• 多任務(wù)優(yōu)化EMTO Evolutionary Multi-Task Optimization

• 知識遷移 Knowledge Transfer

• 基于神經(jīng)網(wǎng)絡(luò)的知識轉(zhuǎn)移 Neural Network-based Knowledge Transfer

• 模糊自適應(yīng)學(xué)習(xí) Fuzzy Adaptive Learning

主講人介紹

主講人：魏鳳鳳，華南理工大學(xué)計算機(jī)科學(xué)與工程學(xué)院助理教授，碩士生導(dǎo)師，主要研究方向是群體智能、進(jìn)化計算、分布式優(yōu)化、數(shù)據(jù)驅(qū)動優(yōu)化、智能體與多智能體系統(tǒng)，已發(fā)表國際期刊和國際會議論文50余篇，其中IEEE Trans.長文15篇；主持國家自然科學(xué)基金青年科學(xué)基金項目、中國博士后科學(xué)基金面上項目、廣東省自然科學(xué)基金面上項目等；獲廣東省人工智能產(chǎn)業(yè)協(xié)會科學(xué)技術(shù)獎自然科學(xué)獎一等獎、第四屆國際分布式人工智能會議最佳論文、中國仿真學(xué)會智能優(yōu)化與調(diào)度專委優(yōu)博、ACM廣州分會優(yōu)博；現(xiàn)任中國計算機(jī)學(xué)會協(xié)同計算專業(yè)委員會委員。

主講人：王子佳，男，博士，廣州大學(xué)計算機(jī)科學(xué)與網(wǎng)絡(luò)工程學(xué)院副教授，碩士生導(dǎo)師。主要研究方向：計算智能、群體智能、機(jī)器學(xué)習(xí)。2015年本科畢業(yè)于中山大學(xué)自動化系，獲工學(xué)學(xué)士學(xué)位，2020年直博畢業(yè)于中山大學(xué)計算機(jī)系，獲工學(xué)博士學(xué)位；畢業(yè)后至2021年7月在騰訊科技（深圳）有限公司擔(dān)任高級算法研究員；2021年8月以百人計劃青年學(xué)者身份進(jìn)入廣州大學(xué)任副教授，現(xiàn)在是學(xué)院青年干部儲備人才。2023-2024年度廣州大學(xué)“最受學(xué)生歡迎的教師”。目前主持國家自然科學(xué)基金青年基金項目一項、廣東省自然科學(xué)基金面上項目三項、廣州市基礎(chǔ)研究計劃市校（院）聯(lián)合資助項目一項、廣州市基礎(chǔ)與應(yīng)用基礎(chǔ)研究項目一項。累計發(fā)表論文40余篇，其中中科院JCR一區(qū)和IEEE Transactions論文20余篇，包括8篇IEEE Transactions on Cybernetics（IEEE TCYB，IF=10.5）、4篇IEEE Transactions on Evolutionary Computation（IEEE TEVC，IF=12.0），5篇入選ESI高被引論文，4篇論文被列入ESI研究前沿。現(xiàn)已榮獲吳文俊人工智能優(yōu)秀博士學(xué)位論文獎（全國9人）、ACM廣州分會新星獎（廣東省3人）、ACM廣州分會優(yōu)秀博士學(xué)位論文獎（廣東省2人）、廣東省計算機(jī)科學(xué)青年學(xué)術(shù)秀一等獎（廣東省3人）。擔(dān)任IEEETCYB、IEEE TEVC、IEEE TNNLS、IEEE TSMC、IEEE TIFS、IEEE TETCI等多本頂級刊物的審稿人。現(xiàn)任IEEE高級會員、CCF高級會員、中國計算機(jī)學(xué)會協(xié)同計算專業(yè)委員會委員、中國自動化學(xué)會粒計算及其應(yīng)用專業(yè)委員會委員、中國仿真學(xué)會智能仿真優(yōu)化與調(diào)度專業(yè)委員會委員、中國圖學(xué)學(xué)會圖學(xué)大數(shù)據(jù)專業(yè)委員會委員、廣東省計算機(jī)學(xué)會大數(shù)據(jù)專業(yè)委員會委員。受邀出任亞洲人工智能技術(shù)大會（ACAIT 2023/2024/2025）和國際機(jī)器智能與應(yīng)用大會（MiTA2024）的Session Chair，擔(dān)任國際期刊《Complex System Modeling and Simulation》、《CAAI Transactions on Intelligence Technology》的青年編委，并榮獲國際期刊《Human-Centric Intelligent Systems》的杰出審稿人獎。

參考文獻(xiàn)

1. Feng-Feng Wei, Wei-Neng Chen, Tian-Fang Zhao, Kay Chen Tan, and Jun Zhang, “A Survey on Distributed Evolutionary Computation”, IEEE Computational Intelligence Magazine, accepted, 2025.

2. Feng-Feng Wei, Wei-Neng Chen, and Jun Zhang, “AIEA: An Asynchronous Influence-Based Evolutionary Algorithm for Expensive Many-Objective Optimization”, IEEE Transactions on Cybernetics, vol. 55, no. 2, pp. 786-799, 2025.

3. Feng-Feng Wei, Wei-Neng Chen, Xiao-Qi Guo, Bowen Zhao, Sang-Woon Jeon, and Jun Zhang, “CrowdEC: Crowdsourcing-based Evolutionary Computation for Distributed Optimization”, IEEE Transactions on Services Computing, vol. 17, no. 6, pp. 3286-3299, 2024.

4. Z. -F. Xue, Z. -J. Wang*, Y. Jiang, Z. -H. Zhan, S. Kwong and J. Zhang, “Multi-Level and Multi-Segment Learning Multitask Optimization via a Niching Method,” in IEEE Transactions on Evolutionary Computation, doi: 10.1109/TEVC.2024.3511941.

5. Z. -F. Xue, Z. -J. Wang*, Z. -H. Zhan, S. Kwong and J. Zhang, “Neural Network-Based Knowledge Transfer for Multitask Optimization,” in IEEE Transactions on Cybernetics, vol. 54, no. 12, pp. 7541-7554, Dec. 2024.

6. C. -L. Wang, Z. -J. Wang*, Z. -F. Xue, Z. -H. Zhan, S. Kwong and J. Zhang, “Fuzzy Adaptive Multitask Optimization,” in IEEE Transactions on Cybernetics, doi: 10.1109/TCYB.2025.3614438.

報名讀書會：

「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，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(jìn)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(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。

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。