报告人简介：

詹志辉，博士，华南理工大学计算机科学与工程学院教授，博士生导师，IEEE计算智能学会杰出青年奖获得者

、教育部青年长江学者、国家优青、爱思唯尔中国高被引学者、广东省首批青年珠江学者和广东省杰青。曾获首批吴文俊人工智能优秀青年奖、IEEE计算智能学会全球杰出博士学位论文奖和中国计算机学会优秀博士学位论文奖。现任中国图学学会图学大数据专委会副主任、广州计算机学会副理事长、中国人工智能学会青工委常委和中国自动化学会青工委委员。主要研究领域包括人工智能、进化计算和群体智能，担任进化计算领域顶尖国际学术期刊 IEEE Transactions on Evolutionary Computation（SCI，IF=11.554，JCR一区）的Associate Editor以及JCR一区期刊Neurocomputing和Memetic Computing的编委。近年来在进化计算的自适应控制、全局化搜索、多种群协同、分布式处理和应用拓展等方面取得了一系列创新性的成果，针对大规模优化、动态优化、多峰值优化、多目标优化、约束优化和昂贵优化等复杂优化问题提出了多个新型进化计算算法，并面向智慧城市和智慧医疗等领域开展应用研究。

内容摘要：

最优化和智能化是人类活动的核心追求，也是人工智能未来发展的必然趋势。随着物联网、云计算、大数据、5G等技术的发展，越来越多的最优化问题呈现出大规模、动态、多峰值、约束、多目标、计算昂贵等新的挑战，给优化算法带来了极大的困难。进化计算是一类模拟自然界生物进化过程和群体智能行为的先进人工智能算法。进化计算作为人工智能中行为主义的典型代表，不同于可解释性差的连接主义算法，是一种具有行为可观察、可感知、可认识、可解释和可调控等优势的动态人工智能算法，近年来被广泛应用于知识发现、搜索优化和问题求解，拓展人类智能。然而，传统群体进化计算方法在大规模复杂优化问题中仍然存在全局搜索能力不足、整体求解速度过慢等问题。因此，本报告对进化计算在求解大规模复杂优化问题中的研究进行介绍，包括我们近年来从分布式协同、自适应控制和并行化处理等思路提出的提高全局搜索能力和加快整体求解速度的多种高效大规模进化优化算法。本报告介绍的高效能大规模优化进化计算方法将为求解现代超复杂优化问题提供重要途径，推动人工智能的新发展。

                                                                   华人策略综合讨论大厅   科技处