智能优化、学习与决策是一个多学科交叉的研究领域，涉及到应用数学、计算机科学、通信工程、电子信息、自动化、运筹学等学科。随着大数据和人工智能的兴起，该领域受到国内外学者越来越多的重视和关注。通过学习可以指导优化搜索、通过优化可以加强学习推理，二者相辅相成、密不可分。

恰逢公司九十华诞，同时为促进国内学者在智能优化、学习与决策研究的学术交流，提升williamhill威廉希尔官网师生在数学与人工智能交叉方向的研究能力，推动青年教师在科学研究、人才培养、学术交流等方面的长期发展和广泛合作，兹定于2021年11月5日举办线上会议“智能优化、学习与决策研讨会”。

会议时间：2021 年 11 月 5 日(星期五)

会议平台：腾讯会议ID 107 590 445

williamhill威廉希尔官网

1. 王震 西北工业大学

个人简介：王震，西北工业大学教授，全球高被引科学家，Elected member of Academia Europaea/The Academy of Europe (AE)，国家杰青，国家青年特聘专家，GF科技创新团队负责人，陕西省科技创新团队负责人。主要研究方向为人工智能基础、智能决策与认知、社交网络 分析、认知计算，并结合学校特色从事GF应用研究。目前，在NatureCommunications，ScienceAdvances、PNAS、PRL、IEEE T-PAMI、IEEE

T-KDE、IEEE T-IFS、IEEE T-II、IEEE T-CYB、中国科学等发表系

列成果。主持国家自然科学基金重点项目、GF项目、海外基金等20余项，获科学探索奖、首届MIT-TR 35, China(西部唯一)、陕西省自然科学奖一等奖、陕西省第十四届自然科学优秀学术论文奖一等奖等。题目：多学科融合铸就人工智能的新发展

摘要：人工智能是一门新理论、新技术、新方法和新思想不断涌现的前言交叉学科（涉及到信息学科、心理学、神经生物学、认知科学等），并在人类社会的各个领域产生广泛应用。在认知领域、信息领域、物理-网络领域，我们分别从功能性智能、对抗性智能和博弈性智能对三种层面展开研究，为不同形式、尺度与深度的智能理论与应用研究提供新的研究视角；同时，我们融合人工智能、对抗性机器学习与博弈论等方法，为网络空间智能对抗构建统一的技术体系。

2. 刘亚锋 中国科学院数学与系统科学研究院

个人简介：刘亚锋，2007年毕业于威廉希尔理学院数学系， 2012年在中国科学院数学与系统科学研究院获得博士学位（导师：戴彧虹研究员）；博士期间，受中国科学院数学与系统科学研究院资助访问明尼苏达大学一年（合作导师：罗智泉教授）。博士毕业后，他一直在中国科学院数学与系统科学研究院计算数学所工作，2018 年晋升为数学与系统科学研究院副研究员。他的主要研究兴趣是最优化理论与算法及其在信号处理和无线通信等领域中的应用。曾获2011年国际通信大会“最佳论文奖”，2018年数学与系统科学研究院“陈景润未来之星”，2018年中国运筹学会“青年科技奖”，2020年IEEE 通信学会亚太地区“杰出青年学者奖”等。他目前担任《IEEE Transactions on Wireless Communications》、《IEEE Signal Processing Letters》和

《Journal of Global Optimization》期刊的编委。他是IEEE信号处理学会SPCOM（SignalProcessing for Communications andNetworking）的技术委员会成员。他的工作获得国家自然科学基金委青年基金、面上项目和优秀青年基金的资助。

题目：Recent Advances in MIMO Detection and Related Problems

摘 要 ：Multiple-input multi-output (MIMO) detection is a fundamental

problem in modern digital communications. In this talk, we shall review some recent results on the MIMO detection and related problems. The talk consists of two parts:

Part I: Massive MIMO has been recognized as a key technology in the fifth generation (5G) and beyond communication networks, which on one hand can significantly improve the communication performance, and on the other hand poses new challenges of solving the corresponding optimization problems due to the large problem size. In this part, we shall present some recent results on antenna efficiency analysis and algorithmic design for the massive MIMO detection problem.

Part II: Semidefinite relaxation (SDR) based algorithms are a popular class of approaches to solving the MIMO detection problem because the algorithms have a polynomial-time worst-case complexity and generally can achieve a good detection error rate performance. In this part, we shall quickly go through some recent results on tightness and equivalence of various SDRs for the MIMO detection problem.

3. 王锐 国防科技大学

个人简介：王锐，国家优秀青年基金获得者，2014年博士毕业于英国谢菲尔德大学，目前就职于国防科技大学系统工程学院，主要从事复杂系统智能优化研究，担任中国仿真学会智能仿真优化与调度专委会秘书长, 湖南省仿真学会（轮值）理事长，中国人工智能学会青工委常务委员，国际期刊IJBIC、IJAAC、IEEE Trans TETCI、SEC、INS、复杂系统建模与仿真等SCI期刊副主编、客座编辑。曾获吴文俊人工智能自然科学二等奖（排名 1）、中国仿真学会科学技术一等奖（排名 1）、首届吴文俊人工智能优秀青年奖、省杰出青年基金、国家优

秀青年基金资助，入选中国科协青年人才托举计划、军队高层次科技创新人才工程，荣立三等功1次。

题目：复杂系统智能优化技术

摘要：当今世界能源、生物、信息科技发展日益成为影响战争形态的重要因素。未来高技术战争中，随着作战规模和激烈程度的增大，武器装备用电量不断增加，作战能源需求急剧增长，军事能源保障面临着前所未有的挑战。新能源技术作为战略高新技术，不仅深刻改变人们的生产生活方式，也深刻改变传统战争形态和作战样式。本次报告将简要介绍当前智慧能源保障的相关情况及面临的问题，并由此阐述如何利用先进智能优化理论方法，解决综合能源系统优化设计中的问题，通过不同能源间的有机协调与优化，实现多能互补，并构建可靠、精确、敏捷的能源保障体系。

4. 曾湘祥 湖南大学

个人简介：曾湘祥，湖南大学岳麓学者特聘教授，博士生导师，国家优青，湖南省杰青，获2019年吴文俊人工智能优秀青年奖。2020年亚马逊机器学习研究奖，成果“面向药物发现的深度学习”入选2020 世界人工智能大会卓越引领者奖（SAIL奖）榜单。曾获厦门大学教学成果奖特等奖，福建省教学成果奖二等奖。主持了科技部重点研发课题、国基金、以及来自华为、百度等公司的多个项目。

题目：人工智能赋能药物发现

摘要：药物研发具有成本高、周期长、风险高的特点，人工智能方法有望大幅减少药物研发成本，提高药物研发效率。本次报告将介绍报告人基于深度学习在药物重定位、药物知识图谱、新冠药物组合方面的工作。

5. 孙建永 西安交通大学

个人简介：孙建永，西安交通大学williamhill威廉希尔官网教授、博士生导师、国家级青年人才、IEEE高级会员。曾担任英国格林威治大学、埃塞克斯大学副教授（终身教职）。现任陕西国家应用数学中心常务副主任、陕西省数学会常务副理事长、大数据算法与分析国家工程实验室算法中心主任。孙建永教授主要研究方向包括统计机器学习、智能优化以及大数据的理论、算法与应用。已在美国科学院院刊（PNAS）和IEEE汇刊等顶级期刊上发表论文70余篇。曾主持多项自然科学

基金项目、科技部以及华为公司重大横向项目等。题目：基于人工智能的优化算法研究

摘要：传统的优化算法设计通常具有以下缺陷，例如基于局部最优原则，不具备全局优化能力；过分追求统一方法论，与问题不匹配；不关注已有优化经验，缺少对优化环境的感知等。现有的人工智能研究的思想对解决这些缺陷具有启发意义。此次报告将介绍报告人近年来在这个方向的一些研究进展，包括基于模型与数据驱动的局部连续优化算法设计；基于深度学习技术的求解5G通信中的MIMO检测问题的求解算法；以及基于强化学习的演化算法设计。

6. 詹志辉 华南理工大学

个人简介：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 EvolutionaryComputation（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。

题目：面向大规模优化的分布式与并行化进化计算研究

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。

7. 陈彩华 南京大学

个人简介：陈彩华，副教授，南京大学理学博士，新加坡国立大学联合培养博士，曾赴新加坡国立大学、香港中文大学等学习与访问。主持/完成的基金包括国家自然科学基金青年项目、面上项目和优秀青年项目等，参与国家自然科学基金重点项目， 代表作发表在

《Mathematical Programming》，《SIAM Journal on Optimization》及CVPR、NIPS 等国际知名学术期刊与会议, 多篇论文入选ESI高被引论文。获华人数学家联盟最佳论文奖（2017、2018 连续两年），中国运筹学会 青年科技奖（2018），南京大学青年五四奖章(2019)，入选首批南京大 学仲英青年学者（全校 10人，2018）及江苏省社科优青（2019）。

题 目 ：Wasserstein Distributionally Robust Optimization: Model,

Algorithm and Applications

摘 要 ：In this talk, we consider the Wasserstein distributionally robust optimization (WDRO) which is a popular model aiming at dealing with

uncertain problems. We will introduce the models of Wasserstein DRO and review the recent progress of algorithmic design for these models. Applications of WDRO to machine learning and portfolio selection are also discussed.

8. 陈亮 湖南大学

个人简介：陈亮，湖南大学数学学院助理教授，湖南省运筹学会秘书长，从事数学优化方面的研究，已在《Math. Program.》、《Math.Program. Comput.》、《Sci. China. Maht.》等学术期刊上发表了10余篇科研论文，

现主持国家自然科学基金青年基金项目及湖南省自然科学基金青年基金各一项。

题目：On the Asymptotically Consistent Linear Convergence Rate of the

Randomized Sparse Kaczmarz Method

摘 要 ：In recent years, the sparse Kaczmarz method has drawn much attention from the researchers.This is mainly due to its capability of

producing sparse solutions to linear systems, which is a core problem of many applications in the big-data era, such as sparse signal recovery and image processing. The linear convergence of the sparse Kaczmarz method has been established, but the ratio is not sharp. This can be explained by the extreme case when the sparse Kaczmarz method degenerates to the classic Kaczmarz method. This talk concerns how to approach an asymptotically consistent linear convergence rate of the randomized sparse Kaczmarz method.