(本文转自智能算法研究中心官方网站：https://www2.scut.edu.cn/huanghan/2024/1227/c9791a573754/page.htm)

 

学术报告一

 

报告时间：2024年12月30日（星期一）下午14：30

报告地点：华南理工大学软件学院B8报告厅

主持人：黄翰 教授

 

报告题目：Evolution of Heuristics: Towards Efficient Automated Algorithm              Design Using Large Language Models

 

报告摘要：

Heuristics are widely used for dealing with complex search and optimization problems. However, manual design of heuristics can be often very labour extensive and requires rich working experience and knowledge. In this talk, I will introduce Evolution of Heuristic (EoH), an evolutionary paradigm that leverages both Large Language Models (LLMs) and evolutionary search for Automatic Heuristic Design (AHD). EoH represents the ideas of heuristics in natural language, termed thoughts. They are then translated into executable codes by LLMs. The evolution of both thoughts and codes in an evolutionary search framework makes it very effective and efficient for generating high-performance heuristics. Experiments on three widely studied combinatorial optimization benchmark problems demonstrate that EoH outperforms commonly used handcrafted heuristics and other recent AHD methods including FunSearch proposed by google deepmind. 

报告人：Chair Professor Qingfu Zhang 

个人简介：

 Qingfu Zhang is a Chair Professor of Computational Intelligence with the Department of Computer Science, City University of Hong Kong. His is an IEEE fellow. His main research interests include evolutionary computation, optimization, metaheuristic, machine learning and their applications. He leads the Optimization and learning Group in CityU. His MOEA/D algorithms have been widely researched  and used in industry. He has been listed as a highly cited researcher in computer science for 8 times. 

 

学术报告二

 

报告时间：2024年12月30日（星期一）下午15：30

报告地点：华南理工大学软件学院B8报告厅

主持人：黄翰 教授

 

报告题目：面向大规模路径问题的神经组合优化方法

 

报告摘要：

神经组合优化 (NCO) 旨在直接从数据中学习一个能够直接求解复杂组合优化问题，如旅行商问题 (TSP) 和容量受限车辆路径问题 (CVRP)，的神经网络。现有的 NCO 模型在小规模问题实例上取得了良好的表现，但无法泛化求解大规模问题。本报告将系统地回顾这些现有的 NCO 方法并介绍它们的基本原理。本报告还将总结现有模型大规模泛化能力差的一些可能原因。此外，本报告将介绍一种新的NCO模型，轻型编码器和重型解码器 (LEHD)。将详细介绍该模型的结构、训练方案和推理策略。之后，我将介绍一个更具一般性的分而治之 (UDC) 框架，可用于解决的范围更广的组合优化问题。

报告人: 王振坤  副研究员

个人简介：

王振坤，IEEE高级会员、广东省全驱系统理论与技术重点实验室副主任、南方科技大学自动化与智能制造学院助理教授、博士生导师，研究方向为人工智能与调度优化，以第一/通讯作者身份在IEEE汇刊、ICML、NeurIPS等国际高水平期刊和会议上发表论文40余篇（其中IEEE汇刊论文21篇、CCF A类会议论文12篇），获2023 年度中国仿真学会自然科学二等奖（国家一级学会，1/7）、2023 年度广东省自然科学二等奖（2/5）、第八届全国青年人工智能创新创业大会创新组一等奖（1/3）、第六届智能优化与调度学术会议青年科学家奖、2024年度SWEVO最佳副编辑奖、华为公司火花奖等荣誉；主持国自然面上等科研项目8项，担任三个国际期刊的副编辑、IEEE计算智能学会深圳分会学生事务主席、中国人工智能学会青年工作委员会委员、中国仿真学会智能仿真优化与调度专委会委员以及多个国际会议的程序委员会委员。

主办单位：广东省计算机学会软件工程专业委员会

承办单位：华南理工大学软件学院

 

附：华工进校报备流程

 

被访人：凌莲芬

手机号码：13570468639

被访人单位类型：学院

被访人单位：软件学院