为了庆祝澳门科技大学成立22周年，澳门系统工程研究所于2022年4月23日举办了主题为“智能优化与控制”的线上国际学术论坛。论坛围绕智能优化、智能控制、机器学习等主题，通过学术报告的形式，开展前沿理论方法、技术及应用的研讨。本次论坛特别邀请了华中科技大学高亮教授、新加坡南洋理工大学P. N. Suganthan教授、清华大学王凌教授和游科友副教授、山东大学刘帅教授、郑州大学梁静教授以及澳门系统工程研究所王建州教授和19级博士生潘玉霞。研究所70余名师生出席了此次活动。澳门系统工程研究所伍乃骐讲座教授为此次论坛致开幕辞，王建州教授介绍了研究所的基本情况，随后开始进行演讲。
高亮教授做了题为“集成式工艺规划与车间调度问题的最新研究进展”的演讲。报告主要介绍了智能制造背景下的工艺规划与城建调度的集成现状，分析不同工艺表表示法的特点，提出了基于工艺网络图的求解方法。他的团队首先针对工艺规划问题，提出了一种基于工艺网络图的MILP建模方法，设计了SA和GA的混合算法，在多组工程实例上获得了良好的求解效果。然后针对IPPS问题建立了基于网络图的MILP模型，设计了基于OR节点的集成式编码方法和相应的进化算法，成功刷新著名Kim数据集的7个上界。最后他们针对分布式制造环境下的IPPS问题建立了相应的MILP模型，并基于分配工厂设计了集成式编码方法与相应的进化算法，刷新了多个实例的当前最好解。
高亮教授演讲截屏
P.N. Suganthan教授演讲题为“Randomization-based deep and shallow learning algorithms for pattern classification”。Suganthan教授在报告中简单介绍了基于随机化的神经网络及其起源。在基于随机化的神经网络中，随机向量函数链神经网络（RVFL）是常用的前餽模型的实例，它起源于20世纪90年代初。为了进一步了解基于随机化的神经网络，报告还简要介绍了其他的随机前餽模型包括随机权重神经网络（RWNN）、极限学习机（ELM）、随机配置网络（SCN）、宽度学习系统（BLS）等。同时，还详细介绍了最近开发的RVFL集成深度实现。此外还包括采用表格分类数据集进行广汎的基准研究。
P. N. Suganthan教授演讲截屏
王凌教授做了题为“数据驱动的工业智能优化调度”的演讲。优化和调度问题是制造业面临的重大问题。在过去的几十年中，大量数据驱动的智能算法被提出用于解决复杂的工程优化和调度问题（EOSPs）。王教授首先向大家展示了EOSPs的复杂性，然后从系统的角度介绍了基于种群的智能优化技术的统一框架以及集成的智能优化框架。最后从理论的角度介绍了一些经典的研究工作、约束优化和智能调度算法。王教授通过本次演讲向大家展示智能算法是解决EOSP的强大求解工具，同时将特定的知识融入求解特定问题的算法更为重要。特别地，王教授的研究成果已在“美团外卖”即时配送中实现了落地应用，面对大规模、高时效、多目标、不确定、强动态和强耦合等复杂现实约束，显著提高了“美团外卖”的配送效率和顾客体验。
王凌教授演讲截屏
刘帅教授做了题为“Three Operators Splitting Based Primal-Dual Algorithm for Non-smooth Optimization with Coupled Constrained”的演讲。刘教授从实践的角度来看，优化问题由复杂的非光滑目标和耦合约束共同组成，它们存在于智能电网等广汎的应用中。刘教授和他的团队引入一种基于算子分裂的算法来有效地解决目标的非光滑性。同时耦合约束在固定步长的原始对偶框架下得到解决。
刘帅教授演讲截屏
游科友教授做了题为“Distributed gradient tracking for optimization and learning over networks”的演讲。随机Gossip 算法是一种流行的分布式优化异步协议。在实践中，常常会产生死锁并且容易受到信息延迟的影响。如果节点无法响应或只能访问其私有保留的本地数据集，也可能会出现问题。为了解决这些问题，游教授和他的团队提出了一种具有定向通信的分布式算法，其中每个节点异步更新并且独立于任何其他节点。如果局部函数具有Lipschitz连续梯度的强凸函数，则每个节点以线性速率收敛到相同的最优解。在线性加速和实现方面，他们团队针对最先进的方法在逻辑回归问题上验证了其卓越的性能。
游科友教授演讲截屏
梁静教授做了题为“Evolutionary Constrained Multi-objective Optimization”的演讲。受约束的多目标优化问题（CMOP）涉及要优化的多个目标和要满足的各种约束。由于约束的存在，搜索空间可能含有多个、不连贯的、小的可行区域，这对进化算法平衡目标和约束提出了严峻的挑战。梁教授在报告中详细地描述了CMPP及其当前的研究难点。然后还对最新的约束多目标进化算法（CMOEAs）进行介绍，包括基于单种群的、基于两阶段的和基于进化多任务的进化算法。在演讲的最后，梁教授还给出了他们团队在受约束的多目标优化问题当前的研究工作和未来的研究方向。
梁静教授演讲截屏
王建州教授做了题为“Research and application of statistical modeling in the field of engineering based on artificial intelligence optimization”的演讲。人工智能技术和统计建模已经广汎应用于是工程技术领域。在以往的工程技术问题分析和应用中，很多问题都是通过传统的统计糢型来解决的。然而，大多数传统的统计学习模型都面临着模型参数不确定、非线性拟合能力差等问题。人工智能具有处理复杂数据和快速准确地学习机器的能力。基于人工智能优化的统计学习模型在面对工程和技术中的复杂数据时，可以快速拟合数据的内在系统模式。因此，探索如何将AI优化算法与传统统计学习模型相结合，并在工程技术领域进行有效应用，将能够更好地解决工程技术面临的诸多大数据问题。同时这也是未来的一种必然趋势。
王建州教授演讲截屏
潘玉霞博士做了题为“Meta-heuristics for Distributed Lot-streaming Flow Shop Scheduling Problems”的演讲。分布式批量流置换流水车间调度问题在现实制造系统中有各种应用。该问题的目标是为多个分布式工厂优化分配工作并对它们进行排序以最小化最大完工时间（Makespan）。潘博士首先开发了一个数学模型来描述该调度问题，然后用五个元启发式算法来解决问题。为了提高算法的性能，该研究采用Nawaz-Encore-Ham(NEH)启发式算法来初始化种群并根据特定问题的知识提出改进的策略。最后基于12个实例进行实验，通过比较发现改进的人工蜂群具有最佳竞争力。此外，潘博士通过考虑完工时间和縂能耗两个目标来扩大研究范围。她开发了一个双目标数学模型来描述相关问题并用一种改进的Jaya算法来求解问题。实验表明改进过的Jaya算法在解决双目标分布式批量流水车间调度问题具有很强的竞争力。
潘玉霞博士演讲截屏
