導(dǎo)語

在復(fù)雜環(huán)境中，群體如何僅依靠局部信息實(shí)現(xiàn)協(xié)同決策？當(dāng)數(shù)據(jù)分散在邊緣節(jié)點(diǎn)、通信受限且環(huán)境不確定時(shí)，智能體又如何完成高效優(yōu)化與學(xué)習(xí)？這些問題正處在群體智能、進(jìn)化計(jì)算與分布式人工智能交叉研究的前沿。

本次讀書會將圍繞進(jìn)化計(jì)算、多智能體系統(tǒng)與分布式數(shù)據(jù)驅(qū)動(dòng)優(yōu)化這一主題，聚焦群體智能的理論機(jī)制與工程應(yīng)用，介紹從多智能體協(xié)同優(yōu)化到邊云協(xié)同代理輔助進(jìn)化算法的最新研究進(jìn)展，討論在無中心控制、局部通信和分布式數(shù)據(jù)條件下，如何實(shí)現(xiàn)可擴(kuò)展、高魯棒性的群體協(xié)同與智能決策。

內(nèi)容簡介

一、從進(jìn)化計(jì)算到多智能體協(xié)同：面向群體智能的分布式優(yōu)化方法與應(yīng)用

主要聚焦進(jìn)化計(jì)算與多智能體系統(tǒng)的融合機(jī)制，系統(tǒng)分析個(gè)體經(jīng)驗(yàn)學(xué)習(xí)、鄰居交互與群體反饋之間的協(xié)同關(guān)系，構(gòu)建面向群體優(yōu)化與進(jìn)化策略的統(tǒng)一框架。在僅依賴局部通信和黑箱評估的條件下，該框架通過內(nèi)部學(xué)習(xí)與外部學(xué)習(xí)的結(jié)合，實(shí)現(xiàn)穩(wěn)定的共識形成與高效的分布式優(yōu)化，并進(jìn)一步利用累計(jì)步長自適應(yīng)和協(xié)作機(jī)制刻畫群體層面的長期記憶與采樣調(diào)控行為。相關(guān)方法已被應(yīng)用于分布式能源管理、電動(dòng)車博弈建模、多目標(biāo)跟蹤與數(shù)據(jù)關(guān)聯(lián)等任務(wù)，展示了群體智能在復(fù)雜網(wǎng)絡(luò)環(huán)境下進(jìn)行資源協(xié)調(diào)、沖突緩解與多主體協(xié)同的潛力。

二、分布式數(shù)據(jù)驅(qū)動(dòng)優(yōu)化問題的代理輔助進(jìn)化算法研究

介紹代理模型輔助進(jìn)化算法在分布式數(shù)據(jù)驅(qū)動(dòng)優(yōu)化中的拓展，針對傳統(tǒng)代理輔助進(jìn)化算法主要面向集中式優(yōu)化、難以應(yīng)對物聯(lián)網(wǎng)時(shí)代邊緣數(shù)據(jù)分散與模型不一致等問題，提出邊云協(xié)同的分布式數(shù)據(jù)驅(qū)動(dòng)優(yōu)化框架，并結(jié)合多代理模型集成技術(shù)拓展代理輔助優(yōu)化方法的適用場景。同時(shí)，圍繞分布式節(jié)點(diǎn)數(shù)據(jù)片面、代理模型難以準(zhǔn)確構(gòu)建的問題，引入數(shù)據(jù)低敏的層次分類器作為代理模型，進(jìn)一步提出基于分類器集成的分布式分層學(xué)習(xí)群體優(yōu)化方法，從而提升算法在分布式數(shù)據(jù)驅(qū)動(dòng)優(yōu)化中的搜索性能、魯棒性與可擴(kuò)展性。

分享大綱

內(nèi)容1 分布式智能時(shí)代的群體協(xié)同優(yōu)化：背景與挑戰(zhàn)

• 內(nèi)容1.1 新場景驅(qū)動(dòng)的協(xié)同需求：分布式人工智能、邊緣計(jì)算、物聯(lián)網(wǎng)與智能社會系統(tǒng)的發(fā)展

• 內(nèi)容1.2 問題特征演化：無中心控制、局部通信、數(shù)據(jù)分散、不確定環(huán)境下的協(xié)同優(yōu)化任務(wù)

• 內(nèi)容1.3 核心挑戰(zhàn)：如何在受限信息與復(fù)雜約束下實(shí)現(xiàn)高效、穩(wěn)定、可擴(kuò)展的群體決策與分布式優(yōu)化

內(nèi)容2 進(jìn)化計(jì)算與多智能體系統(tǒng)融合：理論基礎(chǔ)與研究意義

• 內(nèi)容2.1 方法定位：以進(jìn)化機(jī)制和多體交互為核心的群體智能計(jì)算范式

• 內(nèi)容2.2 協(xié)同優(yōu)勢：融合個(gè)體學(xué)習(xí)、鄰域交互與群體反饋，實(shí)現(xiàn)分布式適應(yīng)與集體決策

• 內(nèi)容2.3 研究價(jià)值：為復(fù)雜系統(tǒng)中的群體協(xié)同、分布式優(yōu)化與集體智能建模提供可計(jì)算框架

內(nèi)容3 多智能體群體優(yōu)化與進(jìn)化策略：協(xié)同學(xué)習(xí)機(jī)制

• 內(nèi)容3.1 內(nèi)外學(xué)習(xí)耦合：個(gè)體經(jīng)驗(yàn)學(xué)習(xí)（內(nèi)部學(xué)習(xí)）與鄰居交互、群體反饋（外部學(xué)習(xí)）的協(xié)同作用

• 內(nèi)容3.2 共識與優(yōu)化形成：在局部通信與黑箱評估條件下實(shí)現(xiàn)穩(wěn)定共識和高效分布式搜索

• 內(nèi)容3.3 長期記憶機(jī)制：通過累計(jì)步長自適應(yīng)與協(xié)作機(jī)制刻畫群體層面的記憶與采樣調(diào)控行為

內(nèi)容4 分布式數(shù)據(jù)驅(qū)動(dòng)優(yōu)化：代理模型輔助進(jìn)化的新問題

• 內(nèi)容4.1 任務(wù)背景：數(shù)據(jù)分布于網(wǎng)絡(luò)邊緣節(jié)點(diǎn)的優(yōu)化問題對傳統(tǒng)集中式代理輔助算法提出挑戰(zhàn)

• 內(nèi)容4.2 關(guān)鍵困難：局部數(shù)據(jù)片面、代理模型難以準(zhǔn)確構(gòu)建以及不同節(jié)點(diǎn)模型不一致

• 內(nèi)容4.3 方法需求：面向邊云協(xié)同環(huán)境構(gòu)建兼顧精度、效率與可擴(kuò)展性的分布式代理優(yōu)化框架

內(nèi)容5 邊云協(xié)同與多代理模型集成：分布式優(yōu)化框架構(gòu)建

• 內(nèi)容5.1 框架思想：將代理輔助進(jìn)化算法從集中式拓展到邊云協(xié)同的分布式場景

• 內(nèi)容5.2 模型集成機(jī)制：結(jié)合多代理模型集成技術(shù)提升復(fù)雜分布式問題中的建模能力

• 內(nèi)容5.3 通用性驗(yàn)證：通過兩個(gè)邊云協(xié)同數(shù)據(jù)驅(qū)動(dòng)優(yōu)化算法實(shí)例說明框架的普適性與有效性

內(nèi)容6 分層學(xué)習(xí)群體優(yōu)化：分類器代理與算法驗(yàn)證

• 內(nèi)容6.1 代理模型創(chuàng)新：引入數(shù)據(jù)低敏的層次分類器以緩解片面數(shù)據(jù)帶來的建模困難

• 內(nèi)容6.2 算法設(shè)計(jì)：提出基于分類器集成的分布式數(shù)據(jù)驅(qū)動(dòng)分層學(xué)習(xí)群體優(yōu)化方法

• 內(nèi)容6.3 實(shí)驗(yàn)結(jié)論：在搜索性能、可擴(kuò)展性與分布式環(huán)境適應(yīng)性方面展現(xiàn)出明顯提升

核心概念

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

• 群體智能 Collective Intelligence / Swarm Intelligence

• 多智能體系統(tǒng) Multi-Agent Systems

• 分布式優(yōu)化 Distributed Optimization

• 分布式數(shù)據(jù)驅(qū)動(dòng)優(yōu)化 Distributed Data-Driven Optimization

• 代理模型輔助進(jìn)化算法 Surrogate-assisted Evolutionary Algorithm

• 邊云協(xié)同 Edge-Cloud Collaboration

• 多代理模型集成 Multi-Surrogate Ensemble

主講人介紹

主講人：陳泰佑，計(jì)算機(jī)科學(xué)與工程學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)2022級博士研究生，漢族，中共黨員。曾獲博士研究生國家獎(jiǎng)學(xué)金、華為“智能基座”獎(jiǎng)學(xué)金等，入選首屆中國科學(xué)技術(shù)協(xié)會“青年人才托舉工程”博士生專項(xiàng)計(jì)劃。專注學(xué)科前沿，聚焦多智能體系統(tǒng)黑箱非凸共識難題，提出分布式群智共識優(yōu)化算法及多智能體協(xié)同采樣調(diào)控理論，共發(fā)表國際學(xué)術(shù)論文 13 篇，其中以獨(dú)立第一作者發(fā)表中科院一區(qū)top期刊論文5篇、CCF A類會議論文1篇，獲國家發(fā)明專利授權(quán)1件。

主講人：郭曉琦，汕頭大學(xué)數(shù)學(xué)與計(jì)算機(jī)學(xué)院計(jì)算機(jī)系講師，分別于2023年12月和2018年6月獲得華南理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)的工學(xué)博士學(xué)位和工學(xué)學(xué)士學(xué)位，主要研究方向?yàn)橛?jì)算智能和分布式數(shù)據(jù)驅(qū)動(dòng)優(yōu)化，研究成果主要發(fā)表在IEEE Transaction on Cybernetics和在IEEE Transaction on Evolutionary Computation等國內(nèi)外權(quán)威期刊和會議。曾擔(dān)任IEEE Transaction on Cybernetics、IEEE Transactions on Neural Networks and Learning Systems、IEEE Transaction on Artificial Intelligence、Complex & Intelligent Systems等著名國際期刊審稿人。

參考文獻(xiàn)

1. Chen, Tai-You, Chen, Wei-Neng*, Hao, Jin-Kao, Wang, Yang, Zhang, Jun. Multi-Agent Evolution Strategy With Cooperative and Cumulative Step Adaptation for Black-Box Distributed Optimization. IEEE Transactions on Evolutionary Computation, Institute of Electrical and Electronics Engineers (IEEE), 2025: 1–1

2. Chen, Tai-You, Chen, Wei-Neng*, Wei, Feng-Feng, Hu, Xiao-Min, Zhang, Jun. Multi-Agent Swarm Optimization With Adaptive Internal and External Learning for Complex Consensus-Based Distributed Optimization. IEEE Transactions on Evolutionary Computation, Institute of Electrical and Electronics Engineers (IEEE), 2024: 1–1

3. Xiao-Qi Guo, Wei-Neng Chen, Feng-Feng Wei, Wen-Tao Mao, Xiao-Min Hu and Jun Zhang, “Edge–Cloud Co-Evolutionary Algorithms for Distributed Data-Driven Optimization Problems”, IEEE Transactions on Cybernetics, vol. 53, no. 10, pp. 6598-6611, Oct. 2023, doi: 10.1109/TCYB.2022.3219452.

4. Xiao-Qi Guo, Feng-Feng Wei, Jun Zhang, Wei-Neng Chen, “A Classifier Ensemble-based Distributed Surrogate-Assisted Evolutionary Algorithm for Distributed Data-Driven Optimization Problems”, IEEE Transactions on Evolutionary Computation, doi: 10.1109/TEVC.2024.3361000.

5. Xiao-Qi Guo, Wei-Neng Chen, Feng-Feng Wei, et al. “Improving Efficiency of Ant Colony Optimization by Matrix-based Operations” Complex & Intelligent Systems.

報(bào)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(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(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(jì)，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(bào)名方式：

第一步：微信掃碼填寫報(bào)名信息。

第二步：填寫信息后，付費(fèi)報(bào)名。如需用支付寶支付，請?jiān)赑C端進(jìn)入讀書會頁面報(bào)名支付：

第三步：添加運(yùn)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(fèi)。

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。