特邀专家

长报告

特邀专家
专家简介


王凌教授

   王凌:清华大学自动化系长聘教授、博士生导师,国家杰出青年科学基金获得者,国家精品课程《自动控制原理》主讲教授。现担任中国仿真学会智能仿真优化与调度专委会副主任、中国自动化学会控制理论专委会委员、过程控制专委会委员、能源互联网专委会常务理事、中国运筹学会排序专委会常务理事、智能工业数据解析与优化专委会常务理事、中国人工智能学会智能优化专委会常务理事、北京市自动化学会常务理事;担任IJAAC主编、IEEE-TEVC、SEC和IJACM副编辑、MC、JOO、控制理论与应用、控制与决策、控制工程、系统工程与电子技术等期刊的编委。主要从事基于计算智能的优化调度理论方法与应用研究,已主持国家自然科学基金、国家重点研发计划课题等项目20余项,已出版专著5部、译著1部,在IEEE Trans等刊物上发表SCI收录论文150余篇、SCI期刊他引4200余次、Google学术搜索引用16000余次。曾获2014年国家自然科学二等奖、2003年教育部自然科学一等奖、2007年高等学校自然科学二等奖、2008年北京市科学技术奖、2011年电子学会信息科学技术二等奖、2017年云南省科学技术奖、IFAC会刊EAAI最高引用论文奖、自动化学报优秀论文奖、控制理论与应用优秀论文奖、控制与决策优秀论文奖、ICIC杰出领导力奖等。获国家杰出青年科学基金、北京市科技新星、教育部新世纪优秀人才、清华大学学术新人奖、中国自动化学会青年科学家奖等。

  • 报告题目:智能绿色车间调度
  • 报告摘要:绿色车间调度是绿色制造的重要环节,通过资源分配、操作排序、运作模式的合理优化,实现增效、节能、减排、降耗。绿色车间调度求解复杂,智能算法是解决大规模问题的有效途径。结合问题的特征模型与搜索结构,智能算法采用基于群智能与知识驱动的迭代搜索方式获取优良调度。本报告分析绿色调度的求解难点,分别针对资源约束并行机调度和分布式流水线调度介绍一种协作型多目标果蝇优化算法和一种竞争型混合智能算法,通过问题特性的分析给出多种搜索操作和指导性搜索策略,通过多操作与多策略的协作给出协同搜索模式,实现经济指标和绿色指标的协同优化。


高亮教授

   高亮,华中科技大学机械科学与工程学院教授、博士生导师,国家杰出青年基金获得者,教育部科技委学部委员,教育部工业工程专业教指委委员,数字制造装备与技术国家重点实验室副主任,华中科技大学科学技术发展院和先进技术与装备研究院副院长。主要从事智能优化方法及其在设计制造等领域的应用等研究。出版著作7部,其中英文专著2部,发表SCI论文213篇(Web of Science被引3200余次,谷歌学术被引5600余次)。2008年获教育部新世纪优秀人才计划资助,2013年获中国机械工程学会青年科技成就奖。获得2015年度国家科技进步二等奖1项(排名第二),2013年度教育部自然科学一等奖1项(排名第一)。

  • 报告题目:基于代理模型的智能优化算法
  • 报告摘要:很多工程优化问题通常需要昂贵、耗时的仿真或物理实验,其中有些复杂问题还会涉及众多的设计变量。智能优化算法在解决此类高维昂贵设计优化问题时,通常需要消耗大量的函数评估,即大量的时间计算成本。于是学者们将具有预测能力的代理模型与智能优化算法相结合,来提高这类问题的优化效率。本报告将介绍团队在该方向的一些工作,希望对大家能有一些启发。

 



陈伟能教授

   陈伟能,华南理工大学计算机科学与工程学院教授,博士生导师、副院长。主要研究方向是演化计算、群体智能及其应用,已发表国际期刊和国际会议论文100余篇,其中IEEE Transactions长文30余篇。2017年获国家优秀青年科学基金资助,2015年获广东省杰出青年科学基金资助;2018年获霍英东青年教师奖,2016年获IEEE CIS(计算智能学会)杰出博士学位论文奖,2012年度中国计算机学会(CCF)优秀博士学位论文奖。现任IEEE广州分会副主席,中国计算机学会人工智能与模式识别专业委员会委员,IEEE TNNLS及Complex and Intelligent Systems副编辑。

  • 报告题目:大规模进化算法
  • 报告摘要:大规模高维优化问题对进化计算方法提出了两方面的挑战:一方面由于搜索空间指数级增长,局部最优数目快速增加,对算法收敛的有效性(Effectiveness)提出挑战;另一方面由于算法所需的种群大小和迭代次数增加,适应值评价时间增长,对算法的效率(Efficiency)提出挑战。本报告将分别从整体进化和协同进化的角度介绍多种大规模优化的进化算法及其应用,针对大规模不可分割的优化问题,介绍基于分段支配学习机制和分层学习机制的大规模进化算法,提高算法在高维环境的有效性;针对部分可解耦的优化问题,尤其针对基于图(graph)的大规模优化问题,介绍基于网络划分的协同演化方法;进一步结合并行分布式计算环境,介绍基于池模型的资源自适应分配协同进化算法,提高算法的可扩展性。


张敏灵教授

   张敏灵,东南大学计算机科学与工程学院教授。分别于2001年、2004年和2007年于南京大学计算机科学与技术系获学士、硕士和博士学位。主要研究领域为机器学习、数据挖掘。现任中国计算机学会人工智能与模式识别专委会常务委员、中国人工智能学会机器学习专委会秘书长、江苏省人工智能学会学术工委主任等。担任《ACM Trans. IST》、《Neural Networks》、《Frontiers of Computer Science》等国际期刊编委、《中国科学:信息科学》青年编委等。应邀担任ACML'18大会主席,PAKDD'19、ACML'17、PRICAI'16等程序主席,以及IJCAI/AAAI/ICDM等国际会议SPC或领域主席20余次。获基金委优秀青年科学基金(2012)、CCF-IEEE CS青年科学家奖(2016)等。

  • 报告题目:偏标记学习的研究
  • 报告摘要:偏标记学习(partial label learning)是一类重要的弱监督学习框架,在该框架下每个对象同时具有多个候选标记,但其中仅有一个为其真实标记。偏标记学习技术已在多媒体内容自动标注、自然语言处理、生态信息学等领域得到成功应用,本报告将从三方面介绍偏标记学习的研究现状:首先,简要讨论偏标记学习的问题设置及其与相关弱监督学习框架的关系;其次,对现有偏标记学习算法进行总结并介绍我们在该方面的最新工作;最后,给出偏标记学习的相关学术资源。


辛斌教授

   辛斌,北京理工大学副教授,博士生导师,主要研究方向为多系统协同的资源动态分配。发表论文100余篇,出版专著3部,授权发明专利7项。主持国家自然科学基金优秀青年基金项目、国家科技重点研发计划课题、科技委基础加强项目课题、陆装重点预研项目等10余项。获关肇直奖(2012)、北京市优博(2013)、中国自动化学会优博(2014)、国际会议ISCIIA2016、IWACIII2017青年学者奖。获教育部自然科学一等奖1项,国防科技进步二等奖4项。担任Unmanned Systems, JACIII等国际期刊的编委。

  • 报告题目:目标满足水平组合调控的多目标分解协同优化算法框架
  • 报告摘要:“分而治之”是解决复杂问题的一种有效的通用策略,同样适用于求解多目标优化问题。MOEA/D这种基于分解策略的多目标优化算法框架的成功不仅证明了“分而治之”策略的有效性,而且证明了近似子问题的“协而解之”策略的有效性。本报告在介绍多种常见的多目标优化算法的基础上,重点介绍了近期提出的一种新的多目标分解协同优化算法框架,这种算法框架同样采用了“分而治之”和“协而解之”的求解策略,但是创新地采用了一种基于多目标满足水平组合调控的分解策略,其主要特征是:(1)动态选取一个主要目标作为各个子问题的目标;(2)其他目标通过数学规划研究中的经典epsilon约束法转换为约束来处理,通过调控非主目标的不同满足水平组合,可以实现原始多目标优化问题向多个关联的约束优化子问题的等价转换;(3)约束满足水平相似的子问题可以通过协同求解的方式并行求解。通过多目标连续变量优化的标准测试问题和典型的多目标组合优化问题的求解,与多种先进的多目标优化算法进行了对比分析,展示了这种新的算法框架的优势。

 

 




钱超教授

   钱超,博士,中国科学技术大学计算机学院副研究员。分别于2009年和2015年获南京大学计算机系学士和博士学位,并于2015年10月加入中科大计算机学院。研究方向为演化计算与机器学习,目前主要关注演化算法理论分析与安全演化算法设计。以第一作者在AIJ、TEvC、ECJ、Algorithmica、NIPS、IJCAI、AAAI等国际一流期刊和会议上发表二十余篇论文。担任IEEE计算智能学会Task Force on Theoretical Foundations of Bio-inspired Computation主席、《Frontiers of Computer Science》青年副编。获ACM GECCO’11最佳理论论文奖、IDEAL’16 最佳论文奖,博士论文获中国人工智能学会、江苏省、江苏省计算机学会、南京大学优秀博士论文奖,并入选中国科协“青年人才托举工程”。

  • 报告题目:Multi-objective Evolutionary Learning: Advances in Theories and Algorithms
  • 报告摘要:Many machine learning tasks involve solving complex optimization problems with non-unique objective functions. Multi-objective evolutionary learning applies evolutionary algorithms (EAs) to address multi-objective optimization problems in machine learning, and has yielded encouraging outcomes in many applications. However, due to the heuristic nature of evolutionary optimization, most outcomes to date have been empirical and lack theoretical support. In this talk, we will introduce our efforts to address this issue. First, we will introduce a general theoretical tool for analyzing the running time complexity of multi-objective EAs (MOEAs). Based on this tool, we will then present theoretical findings on MOEAs solving constrained optimization and noisy optimization. Finally, we will introduce multi-objective evolutionary learning algorithms with provable theoretical guarantees for two representative learning tasks, selective ensemble and subset selection.

 

 


Tutorial(注: 按姓名拼音首字母排序)

特邀专家
专家简介

冯亮教授

   冯亮为重庆大学“百人计划”研究员、博士生导师、重庆市高层次引进人才,新加坡南洋理工大学博士。先后在南洋理工智能计算实验中心,多平台游戏创新中心,以及新加坡A*Star南洋理工联合复杂系统实验室从事研究工作。研究方向包括(但不局限于)智能计算,大数据挖掘与优化,机器学习,以及多智能体系统等。相关研究成果先后发表于IEEE Transactions on Evolutionary Computation, IEEE Transactions on Cybernetics, IEEE Intelligent System, World Congress on Computational Intelligence等国际主流期刊及会议。获得IEEE Congress on Evolutionary Computation 2012 最佳学生论文提名。担任Memetic Computing Journal,Congnitive Computing Journal副主编。担任Task force on transfer learning and transfer optimization 主席。受邀为多个国际期刊会议审稿人,包括:IEEE TEVC, IEEE TNNLS, IEEE TSMC, ECJ, IJSS, Applied Soft Computing, Soft Computing, Memetic Computing, CEC, GECCO等。获得2015 IEEE Transactions on Cybernetics Outstanding Reviewer.

  • 报告题目:多任务智能优化(Multi-Task Optimization)
  • 报告摘要:传统的智能优化算法,例如进化算法,群体智能优化算法等,都是基于随机初始化,并针对某一个给定优化问题进行独立求解的单任务智能优化算法。由于该类算法基于种群迭代搜索,其优化效率较低下。在国内外研究中,出现了很多优秀的研究来提升传统智能优化算法的效率,例如利用surrogate model的研究、自适应智能优化算法的研究、多种群智能优化算法的研究等。由于优化任务往往不是独立存在,一个优化问题的求解通过适当的处理,通常能提升其在相关的问题求解的过程。多任务优化正是受到此启发提出的新智能优化模型。与传统单任务智能优化相比,多任务智能优化提出在一次优化过程中,同时对多个任务进行优化,通过任务间的信息迁移,到达提高优化效率的目的。本报告主要结合报告人在多任务智能优化方面的研究工作,对多任务优化模型进行介绍,并对近年来多任务智能优化方面的研究工作进行总结回顾,同时对该方向的挑战问题及未来研究方向进行讨论。
 
黄翰教授

   黄翰,男,博士,华南理工大学软件学院教授、博士生导师,主要研究智能算法与智能软件;省杰出青年基金、珠江科技新星获得者,省特支计划科技创新青年拔尖人才,兼任中国仿真学会智能仿真优化与调度专委会副主任、中国工业数学与应用数学学会数据科学与人工智能专委会委员、广东省大数据与计算广告工程技术研究中心技术委员会主任、广东省人脸识别工程技术研究中心副主任、广东省计算机学会软件工程专业委员会秘书长,广东保险业咨询专家库专家、广东省计算机学会区块链专业委员会秘书长、广州工业与应用数学学会副主任委员,曾就职香港城市大学管理科学系高级研究助理;主持国家级和省部级课题共10多项,以第一作者或通讯作者在IEEE TEVC、IEEE TIP、IEEE TFS、IEEE TII、IEEE CIM、IEEE TCYB、和《中国科学》等专业学术期刊发表论文60多篇,代表作入选ESI;申请PCT 5项、国家发明专利41项,授权16项;获广东省科技进步一等奖和广东省自然科学二等奖;长期致力于智能算法的理论、应用与产业生态的研究。

  • 报告题目:启发式优化抠图算法——一个演化计算从研究到应用的实例
  • 报告摘要:本讲座将介绍一个从数学建模、算法设计、工程应用到产业化的演化计算研究实例——启发式优化抠图算法。抠图是图像处理与视频分析等的底层关键技术与基础方法,它在精度和速度上的突破会极大地提高后续应用的技术性能。采样抠图是其中一类强鲁棒的方法,本质上是一个子集选择的多目标多约束优化问题。本报告将介绍包括模糊多目标演化算法在内的多种启发式优化抠图算法,以及抠图算法在深度学习训练样本预处理中的应用,包括:人脸检测、识别、行人检测等;最后介绍相关成功应用案例与产业化的效果。
 
梁静教授

   梁静,博士,郑州大学电气工程学院教授、博士生导师。2003年毕业于哈尔滨工业大学控制科学与工程系,获学士学位,2003年8月获得全额奖学金赴新加坡南洋理工大学攻读博士学位,博士论文获得IEEE CIS Outstanding PhD Dissertation Award。梁静教授长期致力于群集智能算法及应用研究,组织过多次国际优化算法竞赛,所提出的标准测试函数集被广泛使用。兼任国际SCI期刊IEEE Transactions on Evolutionary Computation(2018-),Swarm and Evolutionary Computation(2016-),IEEE Computational Intelligence Magazine(2012-2017)的Associate Editor。郑州大学学报(工学版)执行主编(2015-)。主持完成了国家自然科学基金青年基金项目一项、国家自然科学基金面上项目一项、中国博士后特别资助项目一项、中国博士后项目一项、河南省教育厅创新人才项目一项,现主持国家自然科学基金项目一项。共发表SCI/EI学术论文90余篇,Google Scholar中的单篇引用频次最高2500余次,Google Citation总引频数9700余次,h指数为30。发表的《Comprehensive learning particle swarm optimizer for global optimization of multimodal functions》一文荣登进化计算(Evolutionary Computation)领域十年高被引文章首位。曾荣获教育部高等学校科学研究优秀成果奖、中原千人计划-中原青年拔尖人才,河南省科学技术进步奖、河南省教育厅科技成果奖、河南省教育厅学术技术带头人。

  • 报告题目:关于连续优化问题的进化算法的评价和比较
  • 报告摘要:随着进化算法领域的不断发展,不同的算法被相继提出,通过使用基准测试问题集科学合理地评价和比较不同算法的性能非常重要。本次报告将针对连续优化问题求解,介绍基准测试问题的所需要具备的性质,总结几类常用基准测试问题集中测试问题的特点以及常用的算法性能评价标准,最后阐述如何使用统计计算方法综合评价不同算法的性能。
 
俞扬教授

   俞扬,博士,南京大学教授。主要研究领域为人工智能、机器学习,近期工作集中在面向物理环境的强化学习研究。在人工智能领域国际顶级会议与期刊发表论文多篇,获得4项国际论文奖、2项国际算法竞赛冠军,入选2018年IEEE国际“人工智能十大新星”,获2018亚太数据挖掘“青年成就奖”,受邀在2018国际人工智能联合大会作“青年亮点报告”。

  • 报告题目:非梯度强化学习
  • 报告摘要:随着在AlphaGo等系统中的成功应用,强化学习受到高度关注。强化学习从环境的交互试错中自主学习最优决策策略,其试错的学习方式与非梯度优化方法有直接的联系。本次Tutorial将介绍非梯度优化与强化学习的结合,包括策略参数优化、模型选择、探索、学习加速等方面,并展望未来的发展。


短报告(注: 按姓名拼音首字母排序)

 特邀专家  专家简介
 
程然教授

   程然博士现任南方科技大学计算机科学与工程系助理教授,博士生导师,演化机器智能实 验室负责人,广东省“珠江人才计划”第七批引进创业团队核心成员,广东省普通高校演化智能系统重点实验室学术委员会委员;此前,曾任英国伯明翰大学计算机科学系Research Fellow,德国本田欧洲研究院访问学者。程然博士迄今已发表学术论文40余篇,包括顶级IEEE Transactions论文13篇(IEEE TEVC 10篇),6篇先后入选ESI高被引,谷歌学术引用1490余次(H-index 16);现任IEEE计算智能学会新兴技术委员会委员,JCR一区期刊《IEEE Access》副编辑、《Applied Soft Computing》编委;曾获IEEE TEVC杰出论文奖(2018年全球仅1篇)、IEEE计算智能学会杰出博士论文奖(2019年全球仅1人)。

  • 报告题目:浅谈大规模演化多目标优化的挑战与机遇
  • 报告摘要:自1985年第一个演化多目标算法诞生以来,演化多目标优化领域在过去的30年中经历了蓬勃的发展。在过去,演化多目标优化的研究主要集中在中小规模问题上(如:决策变量数量小于100);然而,随着现代信息科学与产业的快速发展,优化问题的规模迅速增长,从而对传统的演化多目标优化提出了严峻的考验。围绕这一主题,报告人将结合自身的工作,浅谈大规模多目标优化面临的挑战与机遇。该报告主要分为两大部分:首先,将结合现实应用问题,探讨大规模多目标优化问题的基本定义与性质;然后,针对大规模多目标优化问题的特性,探讨可行的求解方案,并分别介绍两种典型的求解算法框架。


蔡昕烨教授

   蔡昕烨,南京航空航天大学计算机科学与技术学院副教授。研究方向为复杂条件下(如复杂约束、多目标等)的智能优化方法及其应用。已在IEEE Transaction on Evolutionary Computation, IEEE Transaction on Cybernetics, IEEE Transaction on Image Processing, Information Sciences等计算智能领域的重要刊物发表论文50余篇,其中被收录或接收的SCI期刊论文20余篇(包括一流IEEE 汇刊长文7篇),已授权国家发明专利2项。联合编写《数据挖掘》教材一本。主持国家自然科学基金等国家/省部级科研项目9项,并作为主要成员参与了国家自然科学基金重点项目1项。带领研究团队获得了2017年国际进化计算大会(CEC2017)超多目标优化算法竞赛冠军;并于同年获得了首届江苏省青年科技人才托举资助。指导研究生分别获得了2015和2017年度江苏省优秀硕士毕业论文奖。同时于2018年获得了首届江苏省十佳优秀研究生导师团队的荣誉。目前他担任SCI检索期刊《Swarm and Evolutionary Computation》(Elsevier)的副编委。

  • 报告题目:基于网格的进化多目标优化及其应用
  • 报告摘要:不同于传统数学规划中的单点搜索,基于种群的进化多目标优化是一种协作型多点搜索方法。根据多目标优化的这一特点,本报告将介绍如何设计基于网格的进化多目标优化算法框架,并验证其在收敛性、多样性以及对Pareto前沿(PF)形状的鲁棒性上均具有较好的能力。特别是,网格天然具有的多样性保持能力可显著提高群智搜索过程中的协作能力;而对PF形状的鲁棒性使得算法更适用于实际工程优化问题。随后,报告将介绍多目标优化中的约束处理方法、度量指标设计等近期的工作进展。最后,本报告将介绍如何通过数学建模将算法应用于分布式综合模块化航空电子系统(DIMA)的设计问题上,最终为DIMA系统性地提供一套(基于模型+多目标优化的)行之有效的智能优化设计方法。


崔志华教授

   崔志华,男,博士,教授,硕士生导师。2008年毕业于西安交通大学,获博士学位,2009年7月至2012年11月在中科院计算技术研究所作博士后研究,2012年12月至2013年5月在University of the West of England作访问学者,长期从大数据、计算智能、智慧城市等方面的研究工作,主持完成国家自然科学青年科学、教育部科学技术研究重点项目等纵向课题10余项。申请人发表 SCI期刊论文52篇、会议31篇,SCI他引954次,ESI热点论文1篇,ESI高倍引论文5篇,SCI引用指数 H-index为19,出版专著3本,编著2本,获山西省自然科学二等奖 1 项。申请人2016年获山西省优秀硕士学位论文指导教师,2013 年入选山西省高等学校 131 领军人才工程计划,2011 年被评为山西省高等学校优秀青年学术带头人。现为中国人工智能学会知识工程与分布智能专业委员会委员、中国仿真学会智能仿真优化与调度专业委员会委员。现担任 SCI 期刊《International Journal of Bio-inspired Computation》(影响因子为2.266,JCR一区)主编、EI期刊《International Journal of Wireless and Mobile Computing》主编。作为特邀编辑主持出版了十余个SCI特刊,如Springer出版社的《Neural Computing & Applications 》、World Scientific 出版社的《International Journal of Artificial Intelligent Tools 》及 SAGE 出版社的《Transactions of the Institute of Measurement and Control》等,担任 4th International Conference on Swarm, Evolutionary and Memetic Computing(2013)等三十余个国际学术会议的程序委员会主席及程序委员会委员。

  • 报告题目:无线传感网络DV-Hop定位算法研究
  • 报告摘要:无线传感器节点位置信息的准确性是影响无线传感网络发展的重要因素,已经受到学者们的广泛关注,提高无线传感器节点的定位精度已经成为近年来有待解决的重要挑战。报告首先对经典单目标模型进行分析,构建了DV-Hop多跳定位原理下的误差模型,证明了当节点间的跳数趋于无穷时,该模型的误差值趋于1/6R(R为通信半径),并据此构建了误差导向的权值定位模型。此外,报告依据计算所得的平均每跳距离的理论值2/3R以及经典定位模型下产生的误差分布特性,构建了二维多目标定位模型。最后,我们依据三维空间中理论平均每跳距离3/4R,并依据三维空间中实际每跳距离的变化特性构造了三维空间多目标定位模型。
 
范衠教授

   范衠,工学博士,教授,博士生导师,汕头大学工学院电子信息工程系主任,广东省数字信号与图像处理技术重点实验室主任,汕头市机器人与智能制造研究院执行院长,海外高层次青年人才联谊会第一届执委会副会长。国家高层次青年人才、广东省“扬帆计划”紧缺急需人才、中国侨界贡献奖创新人才、汕头市首届优秀人才青年英才。2004年5月获得密西根州立大学电子与计算机工程博士学位。2004年受聘于丹麦科技大学,历任助理教授和副教授。2012年4月至今受聘于汕头大学,2013年1月至今担任汕头大学工学院电子信息工程系主任,2014年9月至今担任广东省数字信号与图像处理技术重点实验室主任,2018年5月担任汕头市机器人与智能制造研究院执行院长。主要研究方向为:计算智能, 智能控制, 机器人, 人工智能, 设计自动化, 进化计算, 机器学习, 机器视觉。主持完成丹麦技术创新局3项国家级科技项目,培养3名博士生获得丹麦科技大学博士学位。目前已主持包括国家自然科学基金面上项目和中央军委科技委基础研究项目在内的国家和省部级科研项目6项,承担项目总经费1400万元。发表国际期刊会议论文140多篇,其中SCI检索论文40多篇,EI检索论文100多篇;申请专利30余项,其中已获授权专利8项,申请软件著作权2项;出版中文专著和英文专著各1部,代表性成果在《IEEE Transactions on Image Processing》、《IEEE Transactions on Evolutionary Computation》、《IEEE Transactions on Industrial Electronics》、《IEEE Transactions on Automation Science and Engineering》等国际顶级期刊发表。多次受邀在重要的国内国际会议(如GECOO、WCCI、CEC、ECOLE等)上做主题演讲。目前担任IEEE高级会员、广东省图象图形学会常务理事、中国人工智能学会智能机器人专委会执行委员、中国仿真学会智能仿真优化与调度专委会委员、中国自动化学会大数据专委会委员、广东省图象图形学会计算机视觉专委会委员、中国图象图形学学会文档图像分析与识别专委会委员、广东省科协智能制造学会联合体第一届专家委员会委员,是国家自然科学基金、教育部科技奖励、教育部长江学者等项目的评审专家。

  • 报告题目:基于进化计算的机器人系统设计自动化研究
  • 报告摘要:大力发展智能机器人产业以实现‘机器换人’已经成为继续促进我国经济发展,实现经济转型升级的必然选择。目前国内机器人在性能上普遍难以达到国外同类机器人水平,造成该现象的主要原因是我国在机器人系统的设计上缺乏一套系统化的持续优化和自动设计的方法。如何形成一套机器人系统智能设计框架,使设计的机器人系统在性能上接近、达到、并超过国际上同类产品的水平,是本报告将要探讨的一个问题。 本报告主要从以下三个方面:1.机器人系统多角度建模;2.融合进化计算和机器学习的机器人系统优化问题求解;3.机器人系统设计中的知识自动提取与应用,对机器人系统的设计自动化进行阐述。