導(dǎo)語(yǔ)

外賣(mài)派送、物流規(guī)劃、垃圾回收到機(jī)器人調(diào)度，本質(zhì)上都離不開(kāi)路徑優(yōu)化這類(lèi)組合優(yōu)化問(wèn)題。面對(duì)規(guī)模大、約束多、變化快的現(xiàn)實(shí)場(chǎng)景，計(jì)算智能已成為主流工具，其中進(jìn)化計(jì)算等群體智能方法擅長(zhǎng)全局搜索，強(qiáng)化學(xué)習(xí)等個(gè)體智能方法更適合從交互中學(xué)策略。本報(bào)告將對(duì)比兩類(lèi)方法在路徑優(yōu)化中的優(yōu)勢(shì)與局限，梳理典型算法的設(shè)計(jì)思路與關(guān)鍵科學(xué)問(wèn)題，并進(jìn)一步討論兩者融合以兼顧求解質(zhì)量與適應(yīng)性的可能路徑。

內(nèi)容簡(jiǎn)介

路徑優(yōu)化問(wèn)題是一類(lèi)典型的組合優(yōu)化問(wèn)題，例如旅行商問(wèn)題，車(chē)輛路徑問(wèn)題，機(jī)器人任務(wù)分配與調(diào)度問(wèn)題，在現(xiàn)實(shí)生活中擁有很多典型的應(yīng)用，例如外賣(mài)派送、物流規(guī)劃、垃圾回收等。計(jì)算智能方法，特別是基于群體智能的進(jìn)化計(jì)算方法和基于個(gè)體智能的強(qiáng)化學(xué)習(xí)方法，目前已經(jīng)成為解決此類(lèi)問(wèn)題的主流。本報(bào)告將探討兩種不同的計(jì)算智能方法在求解路徑優(yōu)化問(wèn)題時(shí)的優(yōu)劣勢(shì)，相關(guān)算法的設(shè)計(jì)思路，以及主要關(guān)注的科學(xué)問(wèn)題。最后探討兩種方法相結(jié)合的可能性。

分享大綱

內(nèi)容1：算法與問(wèn)題相關(guān)概念及邊界定義

內(nèi)容1.1：算法相關(guān)概念介紹，優(yōu)化vs學(xué)習(xí)，進(jìn)化計(jì)算、強(qiáng)化學(xué)習(xí)、元啟發(fā)、超啟發(fā)

內(nèi)容1.2：?jiǎn)栴}相關(guān)概念介紹，靜態(tài)vs動(dòng)態(tài)，TSP、VRP、MRTA

內(nèi)容2：進(jìn)化計(jì)算求解路徑優(yōu)化問(wèn)題研究

內(nèi)容2.1：蟻群優(yōu)化算法求解電動(dòng)車(chē)路徑優(yōu)化問(wèn)題

內(nèi)容2.2：粒子群優(yōu)化算法求解多機(jī)器人任務(wù)分配與調(diào)度問(wèn)題

內(nèi)容2.3：遺傳規(guī)劃算法求解動(dòng)態(tài)不確定性路徑優(yōu)化問(wèn)題

內(nèi)容3：深度強(qiáng)化學(xué)習(xí)求解路徑優(yōu)化問(wèn)題研究

內(nèi)容3.1：基本的深度強(qiáng)化學(xué)習(xí)求解路徑優(yōu)化問(wèn)題框架

內(nèi)容3.2：增強(qiáng)所訓(xùn)練模型的跨規(guī)模與跨分布泛化能力

內(nèi)容3.3：增強(qiáng)所訓(xùn)練模型的跨問(wèn)題泛化能力

內(nèi)容4：群體智能與強(qiáng)化學(xué)習(xí)結(jié)合的協(xié)同范式

內(nèi)容4.1：多種范式的可能性

內(nèi)容4.2：雙向協(xié)同的進(jìn)化強(qiáng)化學(xué)習(xí)

內(nèi)容4.3：總結(jié)與展望

核心概念

• 路徑優(yōu)化 Path Optimization

• 組合優(yōu)化 Combinatorial Optimization

• 旅行商問(wèn)題 TSP

• 車(chē)輛路徑問(wèn)題 VRP

• 機(jī)器人任務(wù)分配與調(diào)度 Robot Task Allocation and Scheduling

• 進(jìn)化計(jì)算 Evolutionary Computation

• 強(qiáng)化學(xué)習(xí) Reinforcement Learning

• 計(jì)算智能融合 Hybrid Computational Intelligence

主講人介紹

主講人：賈亞暉，華南理工大學(xué)未來(lái)技術(shù)學(xué)院副教授，博導(dǎo)，廣東省珠江人才引進(jìn)團(tuán)隊(duì)骨干，IEEE CIS Taskforce on Evolutionary Scheduling and Combinatorial Optimization組長(zhǎng)，CCF協(xié)同計(jì)算專(zhuān)委會(huì)委員。曾擔(dān)任新西蘭惠靈頓維多利亞大學(xué)博士后研究員。主要研究方向?yàn)橹悄軆?yōu)化算法，包括進(jìn)化計(jì)算、深度強(qiáng)化學(xué)習(xí)及其在智慧交通和智慧能源方面的應(yīng)用，在包括IEEE TEVC, TCYB, TNNLS, WCCI等國(guó)際著名期刊和重要國(guó)際會(huì)議發(fā)表論文40余篇。擔(dān)任Journal of Renewable and Sustainable Energy副編輯。

參考文獻(xiàn)

1. Jia Y H, Mei Y, Zhang M. A bilevel ant colony optimization algorithm for capacitated electric vehicle routing problem[J]. IEEE transactions on cybernetics, 2021, 52(10): 10855-10868.

2. Wang Y, Jia Y H, Chen W N, et al. Distance-aware attention reshaping for enhancing generalization of neural solvers[J]. IEEE Transactions on Neural Networks and Learning Systems, 2025.

3. Zheng K, Jia Y H, Ye K, et al. Strategic Evolutionary Reinforcement Learning With Operator Selection and Experience Filter[J]. IEEE Transactions on Neural Networks and Learning Systems, 2025.

報(bào)名讀書(shū)會(huì)：

「群體智能：從自然涌現(xiàn)到人機(jī)共創(chuàng)」

集智俱樂(lè)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(jì)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(xiàn)索，把自然界的鳥(niǎo)群蟻群、人類(lèi)社會(huì)的集群行為、以及人工智能時(shí)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(shū)會(huì)自2026年1月24日開(kāi)始，安排在每周六下午 14:00–16:00，歡迎所有對(duì)群體智能如何涌現(xiàn)、如何被理解、以及如何被設(shè)計(jì)，感興趣的朋友一起加入：帶著問(wèn)題來(lái)，帶著更有趣的問(wèn)題去。

視頻號(hào)直播預(yù)約：

報(bào)名方式：

第一步：微信掃碼填寫(xiě)報(bào)名信息。

第二步：填寫(xiě)信息后，付費(fèi)報(bào)名。如需用支付寶支付，請(qǐng)?jiān)赑C端進(jìn)入讀書(shū)會(huì)頁(yè)面報(bào)名支付：

第三步：添加運(yùn)營(yíng)助理微信，拉入對(duì)應(yīng)主題的讀書(shū)會(huì)社區(qū)（微信群）。

PS：為確保專(zhuān)業(yè)性和討論的聚焦，本讀書(shū)會(huì)謝絕脫離讀書(shū)會(huì)主題和群體智能相關(guān)問(wèn)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(wú)效者，會(huì)被移除群聊并對(duì)未參與部分退費(fèi)。

加入社區(qū)后可獲得的資源

完整權(quán)限包括：線(xiàn)上問(wèn)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。