在人工智能和计算智能技术快速发展的当下，大型语言模型（LLMs）和神经网络在算法设计与优化领域展现出强大的潜力。在解决复杂的搜索与优化问题时，传统方法往往依赖手工设计的启发式算法，耗时耗力且需要丰富的经验积累。而大模型的出现，不仅为自动化启发式算法设计提供了新的思路，还促进了神经组合优化（NCO）在复杂问题求解中的应用。然而，现有方法在应对大规模问题时仍面临着泛化能力不足、效率不高等挑战。因此，大模型与进化搜索的结合、改进神经优化模型的结构和算法框架，已成为学术界和工业界的研究热点。

为推动人工智能与计算智能技术的持续发展，2024年12月30日，由广东省计算机学会软件工程专业委员会主办的“算法领域大模型”专题学术报告会成功举行。本次报告会邀请了香港城市大学的张青富教授和南方科技大学的王振坤副研究员两位专家做现场报告。香港城市大学、华南理工大学、南方科技大学和广东外语外贸大学等多个单位的专业委员会成员参加了本次专题报告会。两位专家的分享为与会师生和学者带来了一场高水平的学术盛宴，让大家受益匪浅。本次报告会以大模型在算法领域的前沿应用为主题，通过理论与实践结合的精彩分享，为促进大模型与各产业的深度融合提供新思路，同时也为推动人工智能技术的创新发展奠定坚实基础。

报告会伊始，黄翰教授作为主持人致开场辞。他首先对两位主讲专家的到来表示由衷的感谢，并对与会的专家学者和师生们表示热烈的欢迎。黄翰教授指出，本次报告会围绕大模型在算法设计与优化领域的应用展开，主题紧扣当前人工智能与计算智能技术的研究前沿，具有重要的学术意义和实践价值。他强调，如何高效利用大型语言模型和神经网络解决复杂优化问题，已成为全球学术界和工业界共同关注的热点。他希望与会者能通过本次报告会，深入了解这一领域的最新成果和发展方向，期待各位与会者积极参与讨论，激发更多创新思维和研究灵感，共同推动算法领域的技术进步与创新实践。最后，黄翰教授预祝本次报告会取得圆满成功。

报告会上，香港城市大学的张青富教授作了题为 “Evolution of Heuristics: Towards Efficient Automated Algorithm Design Using Large Language Models”的专题报告。张青富教授首先从启发式算法在解决复杂问题中的重要性以及传统启发式设计面临的挑战切入主题，引出了其团队创新性的研究成果——启发式演化（EoH）方法。在报告中，教授详细阐述了该方法的核心思路，即巧妙地运用自然语言来精准表达启发式思想。这一独特的方式使得启发式的概念能够以一种更为直观、通用的形式呈现，突破了以往算法设计中对特定编程语言和格式的依赖。随后，教授深入讲解了如何借助强大的大型语言模型将自然语言描述的启发式思想自动转化为可执行的代码。这一过程不仅极大地提高了代码生成的效率，还为算法设计带来了更多的可能性和灵活性。接着，他着重强调了进化搜索在整个优化过程中的关键作用。通过进化搜索算法，能够对生成的代码进行持续的优化和改进，不断提升算法的性能，从而实现高效的自动启发式设计。

张青富教授介绍，EoH方法在解决复杂组合优化问题方面展现出了卓越的性能，已成功应用于多个实际场景，为相关行业带来了显著的经济效益。这一创新性工具的出现，为解决复杂组合优化问题开辟了新的路径，也为学术界和工业界在算法设计领域的发展提供了新的思路和方法。教授精彩的报告内容和独特的研究视角，让在场的师生和学者们深受启发，赢得了热烈的掌声。

 

随后，南方科技大学王振坤副研究员作了题为“面向大规模路径问题的神经组合优化方法”的专题报告。报告伊始，王振坤副研究员以神经网络模型在小规模优化问题中已取得的成果和应用场景作为引入点，生动形象地向与会者展示了神经网络模型在处理小规模问题时的优势与特点。紧接着，他细致地剖析了神经网络模型在面对大规模问题时所遭遇的泛化瓶颈。他从模型结构、数据规模、计算复杂度等多个维度进行了详细阐述，通过严谨的理论分析和实际案例对比，让在场听众清晰地认识到问题的关键所在。

 

本次报告会理论与实践结合，内容紧扣前沿、视角新颖独特，与会者纷纷表示受益匪浅。未来，各方将在优化算法、模型应用及技术创新等领域携手探索，为人工智能赋能更多实际场景贡献智慧与力量，开创更加广阔的发展前景。

在“算法领域大模型”专题报告会的尾声，全体与会学者和师生欢聚一堂，共同总结本次学术报告的收获与启发。与会者一致认为，此次报告会为大家提供了一个深入了解大模型技术与算法领域最新进展的平台，同时也为后续研究与合作奠定了基础。在热烈的掌声和愉快的气氛中，全体参会人员合影留念，为本次学术报告会画下了一个圆满的句号。