题目： Advances in Evolutionary Dynamic Multi-objective Optimization （动态多目标进化优化研究进展）

主讲人：Kay Chen Tan（陈家进）教授（英国格拉斯哥大学学士、博士，长江讲座教授，美国 IEEE Fellow、Fellow 评委、计算智能协会理事会委员）

时间：2019年5月30日上午9:00

地点：南教202

个人简介：

Kay Chen Tan 教授，英国格拉斯哥大学学士、博士，长江讲座教授，美国IEEE Fellow、Fellow 评委、计算智能协会理事会委员。

1997年起在新加坡国立大学担任博士生导师，现任香港城市大学教授，担任 IEEE Transactions on Evolutionary Computation（IF：8.124）主编，曾任 IEEE Computational Intelligence Magazine（IF：6.611）主编，也是其它10多个顶级国际期刊的编辑，2016年世界智能计算全会（WCCI）联合主席，2019年 IEEE 进化计算大会（CEC）联合主席。Tan 教授发表了300多篇论文，出版了10本专著，其中《现代工业自动化软件设计》被翻译成中文，曾应邀在60多个国际会议上做大会报告，获得了许多学术机构的成就奖和荣誉，包括2016年 IEEE Transactions on Neural Network and Learning Systems 的最佳论文奖，2008年国际机构 International Network for Engineering Education & Research的‘Recognition Award’奖等。他主要研究人工智能及计算智能、机器学习及优化、数据挖掘及运筹学等，推进优化、数据分析和机器学习应用的理论和创新技术，在Google学术上被引用11,500余次，h-index 55。

报告摘要：

多目标优化涉及两个或多个目标函数的同时优化，这本质上是相互冲突的，因此产生了对给定优化问题的一组折衷解。进化算法由于其基于种群的特性，能够在一次仿真运行中找到不同的解集，因此在解决多目标优化问题中广泛应用。然而，实际的优化问题可能涉及目标函数、决策变量和约束，这些都可能随着时间的推移而变化。动态多目标优化问题要求进化算法能够检测到问题环境的变化，并鲁棒跟踪变化的最优解，在保持多样性的同时达到更快的收敛速度。本报告将讨论基于预测的动态处理方法，并提出卡尔曼滤波和专家混合动态处理策略等新方法。这些预测模型可以从以前的经验中学习模式并预测未来的变化。有助于将搜索引向已更改的最优值，从而加速优化过程的收敛。未来的研究方向也将在报告中讨论。

           理学院

           科技处

          国际合作与交流处

                              2019.5.27