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。

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。

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。

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。

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。

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。