报告题目：基于峰域探索的演化计算

报告人：李长河 中国地质大学（武汉）教授/博导

报告时间：2023年09月28日下午15：00-17:00 (中国Beijing GMT +8.00)

报告地点：（线上）#腾讯会议：617-717-034

报告人简介：李长河，中国地质大学（武汉）自动化学院教授、博士生导师，湖北省杰出青年基金获得者，湖北省楚天学者计划入选者，IEEE计算智能协会进化计算技术委员会动态和不确定环境下进化计算专业委员会主席、Swarm and Evolutionary Computation期刊编委、中国自动化学会青年工作委员会委员。长期从事演化计算和智能优化领域教学与研究工作。承担国家自然科学基金、湖北省杰出青年基金等十多项科研项目，其中国家级项目3项、省部级项目3项，获湖北省自然科学三等奖1项。主编教材3部，主持湖北省一流本科课程1门。在IEEE Transactions on Evolutionary Computation、IEEE Transactions on Cybernetics和Evolutionary Computation等刊物和会议上发表学术论文90余篇。ESI 高被引论文4篇，谷歌学术引用5000余次。

内容简介：

演化计算方法是解决复杂优化问题的一类主流元启发式方法，但在解决某些具有复杂多模特性的优化问题时，经常陷入局部最优，无法找到全局最优解。为了克服这一难题，增大种群规模和重新初始化被用于增加较难搜索吸引域内的初始个体，但如何避免这些吸引域内的个体被其他吸引域中的个体淘汰，却不能通过现有基于小生境半径或基于邻近个体的机制去很好地解决。我们认为对吸引域进行学习是克服这一难题的关键，为此，我们提出了由历史引导的峰域探索方法，该方法通过学习搜索过程中产生的历史解将搜索空间分成多个峰域，每个峰域对应一个局部最优解的吸引域。为了降低吸引域学习的难度，我们使用分而治之的思想，将整个多模优化问题由易到难逐步分解成多个局部范围内的多模优化问题。通过实验我们验证了这一思路的可行性，以及在全局最优解具有狭窄吸引域的测试问题上，我们的方法找到全局最优的概率显著高于同类型的其他算法。