|
Special issue on evolutionary computation
当前，人工智能正处于快速变革和更新迭代的关键时期，面临基础理论薄弱、计算效率低下、算法应用受限等挑战，新型可靠高效的进化计算相关研究受到了各界广泛关注。进化计算无需预先的训练和数据积累，通过模拟生物进化过程和群体智能行为，依靠演化过程和自然选择机制，就能找到最优的解决方案，是一种知识创新和规律获取的过程。这使得进化计算具有很好的通用性，能够在探索过程中发现人类未曾知晓的知识，为解决实际应用中的一系列复杂问题提供最优的解决方案。 为此《计算机应用》组织“进化计算专题”，邀约了来自欧洲科学院院士、IEEE Fellow等多位专家及其团队的11篇优质论文，分别展示了大规模进化计算、多目标进化计算等研究热点的研究现状和最新研究成果，希望能为从事相关工作的读者提供借鉴和参考。 在多任务进化计算的前沿研究方面：IEEE Fellow、新加坡科学技术研究局人工智能首席科学家Yew-Soon Ong教授及其团队的论文“优化场景视角下的进化多任务优化综述”则以优化场景作为视角进行切入，对进化多任务优化进行了前沿研究；国家级领军人才、IEEE Fellow公茂果教授及其团队的论文“多任务优化算法及应用研究综述”对现有多任务进化计算的相关工作进行了系统性的梳理，并给出了未来研究发展的展望。 在大规模进化计算的前沿研究方面：国家杰青、科技部石油化工智能制造创新团队负责人杜文莉教授及其团队的论文“面向大规模重叠问题的两阶段差分分组方法”针对大规模重叠问题的可分性质进行了分析探索，提出了新型的差分分组方法，以对大规模问题进行高效分解；此外，杜文莉教授及其团队的另一篇高质量论文“基于多时间尺度协同的大规模原油调度进化算法”对大规模原油调度问题的特性进行分析，设计了新型的多时间尺度协同的进化算法，实现了对大规模原油调度问题的高效求解。 在多目标进化计算的前沿研究方面：欧洲科学院院士、IEEE Fellow、国家特聘专家金耀初院士及其团队的论文“GPU加速的演化算法求解多目标流水车间调度问题”通过结合GPU计算技术，提出了计算高效的演化算法，实现了对多目标流水车间调度问题的快速求解；IEEE Fellow、科技部机器智能创新团队负责人、国家杰青、长江学者、国家级领军人才张军教授及其团队的论文“概率驱动的动态多目标多智能体协同调度进化优化”针对多智能体协同调度问题的动态变化特性，提出了概率驱动型的多目标进化计算方法，实现了对多智能体协同调度的高效优化。 在约束进化计算的前沿研究方面：IEEE Fellow、长江学者唐珂教授及其团队的论文“机会约束的多选择背包问题的遗传算法求解”结合机会约束和遗传算法，实现了对多选择背包问题的高效求解；长江学者、计算智能与信号处理教育部重点实验室主任张兴义教授及其团队的论文“面向约束多目标优化的进化计算与梯度下降联合优化算法”通过结合进化计算与梯度下降方法，提出了适用于多目标约束场景的高效算法；国家重点研发科技创新2030“新一代人工智能”重大项目首席科学家、国家优青陈伟能教授及其团队的论文“分布式数据驱动的多约束进化优化算法”利用分布式的数据驱动方法，提出了高效能的多约束进化优化算法。 在进化计算的前沿应用研究方面：国家杰青、科技部科技创新领军人才段海滨教授及其团队的论文“基于有限忍耐度鸽群优化的无人机近距空战机动决策”给出了群体智能算法在无人机自动决策中的应用示范；IEEE Fellow、岭南大学副校长邝得互教授及其团队的论文“进化双层自适应局部特征选择”提出了双层自适应的进化计算方法，并在特征选择问题中进行了应用。 本专题集结了一系列进化计算领域最新的研究成果，涵盖了大规模进化计算、多目标进化计算、多任务进化计算、约束进化计算等核心方法及其应用。研究涉及优化问题、数据挖掘、机器学习、智能控制等多个领域，展现了进化计算在不同领域的广泛应用和巨大潜力。 我们希望本专题论文能够激发更多学者对进化计算相关研究的兴趣，推动该领域的发展。由于组稿时间和篇幅有限等原因，本专题无法全面覆盖进化计算领域各方面的最新研究进展，不当之处请同行学者批评指正！最后我们衷心感谢所有邀约作者和审稿专家的辛勤工作和宝贵贡献，感谢编辑部的全力支持和辛勤付出！ 张军（南开大学），黎建宇（南开大学） 2024年4月 |
||||||||
| Default Latest Most Read | ||||||||
|
Please wait a minute...
|
||||||||
