爲了慶祝澳門科技大學成立22周年，澳門系統工程研究所於2022年4月23日舉辦了主題為「智能優化與控制」的綫上國際學術論壇。論壇圍繞智能優化、智能控制、機器學習等主題，通過學術報告的形式，開展前沿理論方法、技術及應用的研討。本次論壇特別邀請了華中科技大學高亮教授、新加坡南洋理工大學P. N. Suganthan教授、清華大學王凌教授和游科友副教授、山東大學劉帥教授、鄭州大學梁靜教授以及澳門系統工程研究所王建州教授和19級博士生潘玉霞。研究所70餘名師生出席了此次活動。澳門系統工程研究所伍乃騏講座教授為此次論壇致開幕辭，王建州教授介紹了研究所的基本情況，隨後開始進行演講。
高亮教授做了題爲「集成式工藝規劃與車間調度問題的最新研究進展」的演講。報告主要介紹了智能製造背景下的工藝規劃與城建調度的集成現狀，分析不同工藝表表示法的特點，提出了基於工藝網絡圖的求解方法。他的團隊首先針對工藝規劃問題，提出了一種基於工藝網絡圖的MILP建模方法，設計了SA和GA的混合算法，在多組工程實例上獲得了良好的求解效果。然後針對IPPS問題建立了基於網絡圖的MILP模型，設計了基於OR節點的集成式編碼方法和相應的進化算法，成功刷新著名Kim數據集的7個上界。最後他們針對分佈式製造環境下的IPPS問題建立了相應的MILP模型，並基於分配工廠設計了集成式編碼方法與相應的進化算法，刷新了多個實例的當前最好解。
高亮教授演講截屏
P.N. Suganthan教授演講題爲“Randomization-based deep and shallow learning algorithms for pattern classification”。Suganthan教授在報告中簡單介紹了基於隨機化的神經網絡及其起源。在基於隨機化的神經網絡中，隨機向量函數鏈神經網絡（RVFL）是常用的前餽模型的實例，它起源於20世紀90年代初。爲了進一步瞭解基於隨機化的神經網絡，報告還簡要介紹了其他的隨機前餽模型包括隨機權重神經網絡（RWNN）、極限學習機（ELM）、隨機配置網絡（SCN）、寬度學習系統（BLS）等。同時，還詳細介紹了最近開發的RVFL集成深度實現。此外還包括采用表格分類數據集進行廣汎的基準研究。
P. N. Suganthan教授演講截屏
王凌教授做了題爲「數據驅動的工業智能優化調度」的演講。優化和調度問題是製造業面臨的重大問題。在過去的幾十年中，大量數據驅動的智能算法被提出用於解決複雜的工程優化和調度問題（EOSPs）。王教授首先向大家展示了EOSPs的複雜性，然後從系統的角度介紹了基於種群的智能優化技術的統一框架以及集成的智能優化框架。最後從理論的角度介紹了一些經典的研究工作、約束優化和智能調度算法。王教授通過本次演講向大家展示智能算法是解決EOSP的强大求解工具，同時將特定的知識融入求解特定問題的算法更爲重要。特別地，王教授的研究成果已在“美團外賣”即時配送中實現了落地應用，面對大規模、高時效、多目標、不確定、強動態和強耦合等複雜現實約束，顯著提高了“美團外賣”的配送效率和顧客體驗。
王凌教授演講截屏
劉帥教授做了題爲“Three Operators Splitting Based Primal-Dual Algorithm for Non-smooth Optimization with Coupled Constrained”的演講。劉教授從實踐的角度來看，優化問題由複雜的非光滑目標和耦合約束共同組成，它們存在於智能電網等廣汎的應用中。劉教授和他的團隊引入一種基於算子分裂的算法來有效地解決目標的非光滑性。同時耦合約束在固定步長的原始對偶框架下得到解決。
劉帥教授演講截屏
游科友教授做了題爲“Distributed gradient tracking for optimization and learning over networks”的演講。隨機Gossip 算法是一種流行的分佈式優化異步協議。在實踐中，常常會產生死鎖并且容易受到信息延遲的影響。如果節點無法響應或只能訪問其私有保留的本地數據集，也可能會出現問題。爲了解決這些問題，游教授和他的團隊提出了一種具有定向通信的分佈式算法，其中每個節點異步更新并且獨立於任何其他節點。如果局部函數具有Lipschitz連續梯度的強凸函數，則每個節點以綫性速率收斂到相同的最優解。在綫性加速和實現方面，他們團隊針對最先進的方法在邏輯回歸問題上驗證了其卓越的性能。
游科友教授演講截屏
梁靜教授做了題爲“Evolutionary Constrained Multi-objective Optimization”的演講。受約束的多目標優化問題（CMOP）涉及要優化的多個目標和要滿足的各種約束。由於約束的存在，搜索空間可能含有多個、不連貫的、小的可行區域，這對進化算法平衡目標和約束提出了嚴峻的挑戰。梁教授在報告中詳細地描述了CMPP及其當前的研究難點。然後還對最新的約束多目標進化算法（CMOEAs）進行介紹，包括基於單種群的、基於兩階段的和基於進化多任務的進化算法。在演講的最後，梁教授還給出了他們團隊在受約束的多目標優化問題當前的研究工作和未來的研究方向。
梁靜教授演講截屏
王建州教授做了題爲“Research and application of statistical modeling in the field of engineering based on artificial intelligence optimization”的演講。人工智能技術和統計建模已經廣汎應用於是工程技術領域。在以往的工程技術問題分析和應用中，很多問題都是通過傳統的統計糢型來解決的。然而，大多數傳統的統計學習模型都面臨著模型參數不確定、非綫性擬合能力差等問題。人工智能具有處理複雜數據和快速準確地學習機器的能力。基於人工智能優化的統計學習模型在面對工程和技術中的複雜數據時，可以快速擬合數據的内在系統模式。因此，探索如何將AI優化算法與傳統統計學習模型相結合，並在工程技術領域進行有效應用，將能夠更好地解決工程技術面臨的諸多大數據問題。同時這也是未來的一種必然趨勢。
王建州教授演講截屏
潘玉霞博士做了題爲“Meta-heuristics for Distributed Lot-streaming Flow Shop Scheduling Problems”的演講。分佈式批量流置換流水車間調度問題在現實製造系統中有各種應用。該問題的目標是為多個分佈式工廠優化分配工作並對它們進行排序以最小化最大完工時間（Makespan）。潘博士首先開發了一個數學模型來描述該調度問題，然後用五個元啓發式算法來解決問題。爲了提高算法的性能，該研究采用Nawaz-Encore-Ham(NEH)啓發式算法來初始化種群並根據特定問題的知識提出改進的策略。最後基於12個實例進行實驗，通過比較發現改進的人工蜂群具有最佳競爭力。此外，潘博士通過考慮完工時間和縂能耗兩個目標來擴大研究範圍。她開發了一個雙目標數學模型來描述相關問題並用一種改進的Jaya算法來求解問題。實驗表明改進過的Jaya算法在解決雙目標分佈式批量流水車間調度問題具有很强的競爭力。
潘玉霞博士演講截屏
