LEAD 2025：The Workshop on Learning-assisted Evolutionary Algorithm Design
(学习辅助的进化算法设计论坛)
Embedded Files
September 13 - September 14, 2025 | Guangzhou（Virtual）
大语言模型与组合优化
大语言模型与组合优化
主旨报告
主旨报告
柳斐
香港城市大学
汇报题目：基于大语言模型的自动算法设计
摘要：算法设计（Algorithm Design, AD）在各类问题求解中至关重要。大语言模型（Large Language Model, LLM）的出现与发展极大地推动了算法设计的自动化和设计范式的更新迭代。本报告将系统综述LLM驱动的算法设计研究进展，并提出基于大模型角色的分类框架。介绍EoH（Evolution of Heuristics），一种融合大语言模型与进化计算的自动算法设计新范式，及其在数学、优化与科学发现中的应用。推出开源平台LLM4AD（https://github.com/Optima-CityU/llm4ad），该平台通过模块化工具链、集成搜索方法和算法设计任务，为大语言模型辅助的算法开发提供全流程支持，旨在推动这一领域的方法与应用研究。
嘉宾介绍：柳斐现任香港城市大学计算机科学系博士后研究员，张青富教授课题组。他于2017年和2020年在西北工业大学获学士与硕士学位，2025年在香港城市大学获得博士学位。主要研究方向包括计算智能、优化算法及其应用，目前关注大语言模型驱动的算法设计（LLM4AD）。已在人工智能与进化计算领域期刊与会议（TEVC、ICM-L、AAAI、IJCAI、KDD等）发表20余篇论文，曾获2024年 IEEE 香港计算智能分会研究论文竞赛冠军、2024年IEEE FLAME 竞赛亚军、PPSN 2024最佳论文提名，以及 EMO2021 华为物流挑战赛金奖等荣誉。
演讲PPT：
基于大语言模型的自动算法设计——柳斐.pdf成果分享
成果分享
1.基于大语言模型的自动算法选择和设计（邬昇豪，博士后，香港理工大学）
嘉宾介绍：邬晟豪，香港理工大学数据科学与人工智能系博士后研究员。分别于2019年和2023年在华南理工大学计算机科学与工程学院获得工学学士和博士学位。他的主要研究方向包括智能迁移优化、学习式优化、贝叶斯优化及其在智慧城市的应用。截至目前，他已在TEVC、TCYB、TITS、CEC和GECCO等人工智能领域的重要国际期刊和会议上发表论文十余篇。他担任多个重要国际期刊的审稿人，包括TEVC、TCYB、TSMCA和TNNLS等，并担任多个国际会议的审稿人和程序委员会委员，包括ICACI2021、ICIST2022和MiTA2024等。
演讲PPT：
基于大语言模型的自动算法选择和设计——邬晟豪.pdf2.大语言模型驱动的元启发式算法超参数优化（许振兴，博士生，国防科技大学）
嘉宾介绍：许振兴，国防科技大学系统工程学院，二年级直博生。曾获第八届全军军事建模一等奖、第二十一届中国研究生数学建模二等奖等10余项奖项。作为项目负责人，主持湖南省研究生创新项目一项，作为核心技术骨干参与军委科技委1XX工程重点项目、国家自然科学基金面上项目等。发表学术论文3篇，授权国家专利两项。目前从事人工智能与组合优化问题研究。
演讲PPT：
大语言模型驱动的元启发式算法超参数优化——许振兴.pdf3.大模型驱动的演化优化（叶汇亘，博士生，清华大学）
嘉宾介绍：叶汇亘，清华大学计算机系直博三年级，师从徐华教授，研究方向为大规模混合整数规划。他以第一作者在ICLR、ICML、AAAI等顶会和期刊上发表论文6篇，其利用大模型求解优化的最新工作被 ICML 2025 录用为 Spotlight 论文。曾获ACM-ICPC区域赛金奖、国家奖学金、腾讯奖学金等荣誉。
演讲PPT：
大模型驱动的演化优化——叶汇亘.pdf主旨报告
主旨报告
马一宁
麻省理工学院
汇报题目：机器学习邂逅组合优化：方法、挑战、未来
嘉宾介绍：马一宁，麻省理工学院（MIT）信息与决策系统实验室博士后研究员，导师是Cathy Wu教授。此前曾任新加坡南洋理工大学（NTU）研究员，于 2024 年获得新加坡国立大学（NUS）工业系统工程博士学位，本科毕业于华南理工大学。他的研究聚焦机器学习与优化的交叉领域，致力于推动学习优化（Learning to Optimize，L2Opt）这一新兴范式的发展，构建智能的 AI 优化算法，用以应对路径规划、资源调度、多智能体协调等现实复杂问题。他已在 ICML、NeurIPS、ICLR、TPAMI 等国际顶级会议和期刊发表论文 30 余篇，论文总被引超过 1200 次，H-index 为 18。他担任 NeurIPS 领域主席，并多次获得 AI 顶会最佳审稿人奖。
成果分享
成果分享
4.学习优化中的复杂约束处理：演进与展望（毕结仪，博士生，南洋理工大学）
嘉宾介绍：毕结仪，新加坡南洋理工大学计算机学院博士二年级，导师为张杰教授、曹志广教授。主要研究领域为神经组合优化算法。论文发表在NeurIPS/KDD等国际会议，并在NeurIPS/ICML/ICLR等国际期刊和会议担任审稿人。曾获得NeurIPS优秀审稿人、中山大学本科、硕士优秀毕业生、国家奖学金和中山大学李学柔基金会奖学金等荣誉。
演讲PPT：
学习优化中的复杂约束处理：演进与展望——毕结仪.pdf5.通往组合优化基础模型的泛化之路（周佳男，博士生，南洋理工大学）
嘉宾介绍：周佳男，新加坡南洋理工计算机学院博士四年级，导师为张杰教授。主要研究领域为神经组合优化。论文发表在ICML/NeurIPS/ICLR等国际期刊和会议并担任审稿人。
6.多模态增强的神经组合优化性能提升方法（丁嘉缘，博士生，华南理工大学）
嘉宾介绍：丁嘉缘，华南理工大学23级博士生，目前跟随龚月姣教授学习。目前主要的研究领域为组合优化，多模态学习以及群体智能，成果已投稿NeurIPS 2025。
演讲PPT：
多模态增强的神经组合优化性能提升方法——丁嘉缘.pdf学习辅助的黑箱优化
学习辅助的黑箱优化
主旨报告
主旨报告
梅一
惠灵顿维多利亚大学
汇报题目：Learning for Optimisation: Key Challenges, Insights, and the Road Ahead
摘要：优化学习已迅速崛起，成为优化与机器学习交叉领域中一个充满活力的研究领域。在过去十年中，它引起了广泛的关注，人们致力于开发能够增强优化的机器学习方法。在本次演讲中，我将回顾自己在该领域十年的研究历程，并分享我对其未来发展方向的看法。我将探讨该领域如何起源于不同的研究群体，重点介绍关键的设计挑战，并概述尚待解决的重要开放性问题。这些挑战包括设计有效的算法框架、开发合适的状态表示和编码，以及如何确保学习过程中评估或模拟的有效性和效率。我还将探讨实现稳健的跨领域泛化的难度，以及学习优化方法对更高可解释性和可解读性的需求。这些问题共同塑造了当今学习驱动优化的机遇和局限性。
嘉宾介绍：梅一现为新西兰惠灵顿维多利亚大学工程与计算机学院副教授及工程部副部长（主管科研）。他分别于2005与2010年在中国科学技术大学取得数学学士与计算机科学博士学位，其研究方向为演化计算与机器学习及其在调度与组合优化中的应用。他在国际各类期刊与会议上发表逾250篇文章，其中包括顶级期刊如IEEE TEVC, IEEE TCYB, EJOR, ACM TOMS，并获得IEEE TEVC 2017杰出论文奖，ACM GECCO 2022, 2023, 2024与欧洲遗传编程会议（EuroGP）2022最佳论文奖。他担任IEEE TEVC, TAI, CIM的副编以及其它4个国际期刊的编委。他是IEEE演化调度与组合优化Taskforce主席，曾于2021-2024担任IEEE新西兰中部分部主席。他曾担任IEEE智能计算学会新兴技术委员会副主席以及多个委员会委员。他是Fellow of Engineering New Zealand和IEEE Senior Member。
演讲PPT：
Learning for Optimisation：Key Challenges, Insights, and the Road Ahead——梅一.pdf成果分享
成果分享
7.面向高维黑箱优化的群体随机优化算法研究进展与挑战（段琦琦，访问学者，南方科技大学）
嘉宾介绍：段琦琦，2025年博士毕业于哈尔滨工业大学计算机科学与技术专业（已完成博士正式答辩）。目前在南方科技大学计算机科学与工程系史玉回讲席教授课题组任访问学者。其是面向演化计算与群体智能领域的开源Python软件库PyPop7的核心开发者与维护者之一（与SUSTech硕士生周国晨、澳大利亚UTS博士生邵昶、腾讯公司杨一君博士等一起开发）。PyPop7已于2024年发表在机器学习顶级期刊JMLR（CCF-A）上，其下载次数已经超过8万5千次，且被Nature论文等使用或引用。相关的学术成果已经发表在机器学习期刊JMLR（CCF-A）、TMLR，分布式系统期刊TPDS（CCF-A），与计算智能期刊TEVC、ASOC等。于2022年获得国际会议PPSN（CCF-B）最佳论文提名（当年国内唯一）。目前是人工生命国际会议ALIFE-2025与群体智能国际会议ANTS-2026的程序委员会（PC）的成员，并为ACM-TELO、TEVC等期刊与会议审稿。
演讲PPT：
面向高维黑箱优化的群体随机优化算法研究进展与挑战——段琦琦.pdf8.强化学习辅助的稀疏多目标优化（邵帅，博士生，安徽大学）
嘉宾介绍：邵帅，安徽大学计算机科学与技术学院博士研究生，研究方向涵盖大规模多目标优化、稀疏优化以及自动化机器学习。在 IEEE TEVC、IEEE TCYB、ACM Computing Surveys、SWEVO等国际高水平期刊和会议上发表论文十余篇，曾获第十八届国际生物启发式计算理论与应用会议（BIC-TA）最佳论文奖，并担任 IEEE TEVC、IEEE TCYB、IEEE TSMC、IEEE TNNLS、IEEE TETCI、ASOC等期刊的审稿人。
演讲PPT：
强化学习辅助的稀疏多目标优化——邵帅.pdf9.大模型后训练中的强化学习（陈嘉诚，博士生，香港中文大学）
嘉宾介绍：陈嘉诚，上海人工智能实验室助理研究员，香港中文大学在读博士，主要研究领域为大模型后训练以及推理增强，曾发表大模型强化学习后训练熵机制，参与科学推理模型训练工作，在大模型后训练中有较为丰富的工程与研究经验。在优化与机器学习交叉领域发表论文10余篇。
演讲PPT：
大模型后训练中的强化学习——陈嘉诚.pdf主旨报告
主旨报告
吴凯
西安电子科技大学
汇报题目：优化泛化：从基础模型的角度来探索其可能的解决方案
嘉宾介绍：吴凯 西安电子科技大学副教授 博士生导师，研究方向为智能优化，近年来，在权威国际期刊与会议上共发表论文50余篇（其中 IEEE Transactions 及 CCF A 类论文30篇），1篇入选 IEEE CIS 研究前沿论文（Research Fron-tier），主持国家级/省部级项目多项、人才基金多项，相关成果获得陕西高等学校科学技术研究优秀成果一等奖，入选陕西省优秀博士学位论文。同时，通过创办公众号EvoIGroup（关注人数超11000人），累计发布科普文章500余篇，积极推动智能优化领域的学术传播与普及。
演讲PPT：
优化泛化：从基础模型的角度来探索其可能的解决方案——吴凯.pdf成果分享
成果分享
10.终身学习在元黑箱优化中的应用（裴季源，博士生，惠灵顿维多利亚大学）
嘉宾介绍：裴季源，新西兰惠灵顿维多利亚大学计算机科学专业博士生，分别于2020年及2023年获得南方科技大学（SUSTech）计算机科学与技术学士与硕士学位。研究方向为自适应算子选择、车辆调度、组合优化、进化计算及终身学习。在知名国际会议如IJCAI、ACM GECCO等发表论文十余篇。
演讲PPT：
终身学习在元黑箱优化中的应用——裴季源.pdf11.Towards Universal Offline Black-Box Optimization via LLM embeddings（谭荣熙，博士生，南京大学）
嘉宾介绍：谭荣熙，南京大学人工智能学院直博一年级，导师为钱超教授。主要研究领域为使用机器学习算法求解黑箱优化，特别是通用、离线场景下的黑箱优化，以及通用回归等相关机器学习领域，曾主持国家自然科学基金本科生项目。以第一/共同第一作者发表CCF/CAAI A类顶级会议论文3篇，包括ICML、ICLR等，担任NeurIPS、ICLR等会议审稿人。南京大学本科优秀毕业生，获南京大学栋梁特等奖学金等荣誉。
演讲PPT：
Towards Universal Offline Black-Box Optimization via LLM embeddings——谭荣熙.pdf12.模块化黑箱优化算法自动设计（郭泓树，博士生，华南理工大学）
嘉宾介绍：郭泓树，华南理工大学计算机学院四年级博士生，导师为龚月姣教授。主要研究基于先进机器学习方法的黑箱优化算法自动设计，探索通过深度强化学习、大语言模型等先进学习方法赋予黑箱优化算法学习与泛化能力，实现黑箱优化算法的自主设计与自适应配置。在深度强化学习、演化计算和大语言模型等领域有丰富的工作经验，已在国际高水平学术期刊或会议投稿和发表论文17篇，其中第一作者（含共一）5篇，google scholor h-index 为8，i10-index为7，总引用量超190。担任多个顶尖国际期刊和会议的审稿人，包括NuerIPS、ICLR、ICML等国际先进学术会议和IEEE TEVC等SCI Q1期刊。
演讲PPT：
模块化黑箱优化算法自动设计——郭泓树.pdf测试基准、平台新进展
测试基准、平台新进展
主旨报告
主旨报告
程然
香港理工大学
汇报题目：可持续进化的多智能体系统
摘要：本研究旨在突破传统大语言模型在耐久性、跨域迁移及知识留存方面的局限，推动人工智能从依赖静态人类数据的“人类数据时代”迈向通过交互生成数据与沉淀经验的“体验时代”。为此，提出融合大模型“认知大脑”与小模型“专家之手”的演化智能体框架，并构建三层核心技术体系：（1）在原创算法层面，采用小数据驱动的演化生成式设计，实现复杂工程问题的高效创新；（2）在计算平台层面，构建GPU加速的演化计算平台EvoX，支持分布式并行；（3）在智能体系统层面，开发兼容Git的分布式多智能体协作与记忆系统EvoGit，实现去中心化协作与结构化知识沉淀。
嘉宾介绍：程然，香港理工大学副教授，长期专注于人工智能系统可演化性研究，致力于构建具备自主学习与持续进化能力的智能系统，赋能复杂垂直领域应用。作为开源项目 EvoX 的发起人，推动构建面向演化计算的分布式 GPU 算力基座，高效解决复杂科学计算难题。已发表论文130余篇，谷歌学术引用逾 1.7 万次，荣获 IEEE 计算智能学会杰出青年奖，连续入选 Clarivate 全球高被引科学家榜单、全球前2%科学家榜单。现任多个 ACM 及 IEEE 期刊副编，发起成立 IEEE 计算智能学会深圳分会并担任首届主席。
成果分享
成果分享
13.EvoX：分布式GPU加速的通用演化计算框架（黄北辰，博士生，香港理工大学）
嘉宾介绍：黄北辰于2023年获南方科技大学计算机科学与技术学士学位，现为香港理工大学数据科学及人工智能系博士研究生。其研究兴趣包括进化算法、神经进化与高性能进化计算，并拓展至大语言模型驱动的自主智能体与演化多智能体系统。他是知名高性能进化计算工具库EvoX的第一完成人，截至目前该项目标星超过一千。
演讲PPT：
EvoX：分布式GPU加速的通用演化计算框架——黄北辰.pdf14.RL4CO: 基于强化学习的组合优化基准平台（化传博，博士后，韩国科学技术院）
嘉宾介绍：化传博，韩国科学技术院 (KAIST) 的博士后研究员。他的研究兴趣包括神经组合优化和多智能体系统。他是 AI4CO 社区的主要组织者。
演讲PPT：
RL4CO：基于强化学习的组合优化基准平台——化传博.pdf15.MetaBox-v2：元黑箱优化训练测试平台（马泽原，博士生，华南理工大学）
嘉宾介绍：马泽原，华南理工大学计算机科学与工程学院博士生，导师为龚月姣教授。主要研究领域为是强化学习与进化计算优化技术的结合，特别是基于强化学习辅助的元黑箱优化或自动算法设计。他是元黑箱优化领域知名团队MetaEvo的学生带头人，致力于学习辅助优化算法设计的训练数据生成，特征提取及基础测训平台开发。带领开发的开源元黑箱优化训练测试平台收获Github百余标星。近五年在国际知名学术会议如NeurIPS、ICML、ICLR、ACM GECCO及权威学术期刊IEEE TEVC上一作（含共一）发表文章10余篇。他担任多个学术会议及期刊的审稿人，如ICML、ICLR、NeurIPS、AAAI， 以及IEEE TEVC、IEEE TII、IEEE TNNLS等。
演讲PPT：
MetaBox-v2：元黑箱优化训练测试平台——马泽原.pdf16.BBOPlace-Bench: Benchmarking Black-Box Optimization for Chip Placement
（薛轲，博士生，南京大学）
嘉宾介绍：薛轲，南京大学人工智能学院博士四年级，导师为钱超教授。主要研究领域为黑箱优化的理论与方法研究，并致力于解决工业生产和自然科学领域的重要应用问题。研究工作以（共同）第一作者在PNAS/ICML/NeurIPS/ICLR等国际顶级期刊和会议上发表10余篇论文。目前主持国自然基金博士生项目，获百度奖学金20强，中国科协青托博士生专项，华为“揭榜挂帅”火花奖，第二十一届ACM SIGEVO Humies BRONZE Award，芯片设计领域顶级国际会议DATE'25 Best Paper Award等荣誉。
演讲PPT：
BBOPlace-Bench：Benchmarking Black-Box Optimization for Chip Placement——薛轲.pdf17.RouteBench：基于大语言模型的自动建模（李凯，硕士生，南方科技大学）
嘉宾介绍：李凯，南方科技大学硕士研究生在读。目前以第一作者身份录用学术论文4篇，包括SCI Q1一作（IF>10）1篇，CCF B一作一篇。第一作者身份投稿CCF A类论文2篇。第一作者身份授权发明专利1项。目前研究方向为：基于大语言模型的优化问题建模与通用算法设计，初步实现"用户提出需求，无需额外开发，直接产出方案"的流程，并成功应用在上千类不同的车辆路径问题上。
演讲PPT：
RouteBench：基于大语言模型的自动建模——李凯.pdf18.PlateMetaX：用一种逻辑实现所有学习范式的MetaBBO平台（杨旭，博士生，国防科技大学）
嘉宾介绍：杨旭，国防科技大学系统工程学院博士生，师从王锐教授。研究方向为计算智能与优化决策技术，具体针对黑箱优化问题的特征提取及算法自动设计开展数据与模型融合的基础理论研究。目前高水平论文共计发表18篇，专利授权9项、在审11项，参研项目经费总额超5000万，曾获多项国家级、省级、校级创新创业类比赛和数学建模竞赛一、二、三等奖等。
演讲PPT：
PlateMetaX：用一种逻辑实现所有学习范式的MetaBBO平台——杨旭.pdf数据驱动的演化计算
数据驱动的演化计算
主旨报告
主旨报告
王晗丁
西安电子科技大学
汇报题目：数据驱动的演化计算
摘要：多工业界的实际问题可建模成黑盒优化问题，优化方法需要多次评价候选解，但是实际问题函数评价的运算代价高或存在多个精度，这阻碍了已有方法的垂直应用。比如，飞行器设计中的函数评价是利用空气动力学仿真进行的，通常一次仿真需要以小时为单位的运算时间，那么需要上千次函数评价的优化方法无法在有限时间内搜索到最优解。数据驱动的优化方法是新兴的人工智能方法论，以进化计算为优化方法，将实际问题函数评价看作数据，利用已有成熟的机器学习算法训练得到近似的函数评价来辅助优化方法，大大提高了传统优化算法实用性。
嘉宾介绍：王晗丁，西安电子科技大学电子工程学院博士，现为西安电子科技大学人工智能学院教授，2018年入选陕西省高层次人才。2020年入选国家海外高级青年人才项目。研究方向包括计算智能、机器学习、多目标优化及代理模型。近五年发表高水平论文60篇。兼职计算智能国际期刊《IEEE Transactions on Evolutionary Computation》、《Memetic Computing》和《Complex & Intelligent Systems》编委（Associate Editor）。同时担任演化计算领域顶级国际会议《Genetic and Evolutionary Computation Conference》、《IEEE Congress of Evolutionary Computation》和《International Conference on Evolutionary Multi-Criterion Optimization》及多个其他国际会议的程序委员会成员。
演讲PPT：
数据驱动的演化计算——王晗丁.pdf19.分布式数据驱动的进化算法（魏凤凤，助理教授，华南理工大学）
嘉宾介绍：魏凤凤，华南理工大学计算机科学与工程学院助理教授，硕士生导师，主要研究方向是群体智能、分布式进化计算、数据驱动进化计算及其应用，已发表国际期刊和会议论文50余篇，其中IEEE Trans.长文15篇；主持国家自然科学基金青年科学基金项目、中国博士后科学基金面上项目、广东省自然科学基金面上项目等；获广东省人工智能产业协会科学技术奖自然科学奖一等奖、第四届国际分布式人工智能会议最佳论文、智能优化与调度学术会议优秀博士学位、ACM广州分会优秀博士论文；现任中国计算机学会协同计算专业委员会委员。
演讲PPT：
分布式数据驱动的进化算法——魏凤凤.pdf20.数据驱动的大规模进化优化（顾浩然，博士生，西安电子科技大学）
嘉宾介绍：顾浩然，西安电子科技大学人工智能学院博士二年级学生，在校期间共发表包括TEVC, ECJ, CEC等演化计算领域顶级期刊、会议论文7篇。目前他的研究兴趣包括数据驱动的大规模进化优化、大规模多目标进化优化、以及大语言模型的对齐与安全。
演讲PPT：
数据驱动的大规模进化优化——顾浩然.pdf21.面向代理模型辅助进化算法的元级控制框架研究（杜玉坤，博士生，国防科技大学）
嘉宾介绍：杜玉坤，国防科技大学系统工程学院体系工程团队博士在读，主要从事强化学习，进化计算，数据挖掘领域的研究。在元黑箱优化与代理辅助优化交叉方向成果已投稿AAAI。
22.面向大规模昂贵单/多目标优化的线性子空间代理模型构建方法（司朗春，博士生，安徽大学）
嘉宾介绍：司朗春，安徽大学计算机科学与技术学院博士，主要研究方向为数据驱动优化、进化优化算法及其应用研究。在IEEE TEVC、IEEE TETCI、IEEE TSMC、ACM Computing Surveys、EAAI、CAIS、Applied Soft Computing、ACM TELO、IEEE CEC等国际重要刊物和会议上发表论文11篇，并担任IEEE TEVC审稿人。
演讲PPT：
面向大规模昂贵单多目标优化的线性子空间代理模型构建方法——司朗春.pdf23.数据流环境中的概念漂移检测与动态优化方法（钟远婷，博士生，华南理工大学）
嘉宾介绍：钟远婷，华南理工大学计算机科学与工程学院博士研究生，研究方向包括数据驱动的优化，进化算法。
演讲PPT：
数据流环境中的概念漂移检测与动态优化方法——钟远婷.pdf24.代理模型在元黑箱优化中的可行性分析（黄之阳，本科生，华南理工大学）
嘉宾介绍：黄之阳，华南理工大学计算机科学与技术专业23级本科生，MetaEvo团队成员。研究方向为元黑箱优化，进化计算和代理模型，在ACM GECCO发表论文一篇。
演讲PPT：
代理模型在元黑箱优化中的可行性分析——黄之阳.pdfPage updated
Google Sites
Report abuse