2023年beat365

信息技术研究生论坛（四）

场次一、

时间：2023年3月22日（星期三）9:00-12:00

地点：beat365604教室

报告题目一：基于分解的多模多目标进化算法的研究

报告人：张珅

报告简介：在多目标优化问题（MOPs）中，决策空间只有一个帕累托最优解集（PS）映射到目标空间中的真实帕累托前沿（PF）。然而在更有挑战的多模多目标优化问题（MMOPs）中，决策空间中有多个帕累托解集映射到目标空间中的同一个PF。传统的多目标优化算法在多模多目标优化问题上表现不佳。近年来研究者们提出许多多模多目标进化算法（MMEAs），然而在许多复杂的多模多目标测试问题上，大多数现有的MMEAs在收敛到PF的同时寻找到决策空间中的多个PSs的性能并不理想。为了解决这些问题，提出了一种新的基于分解的多模多目标进化算法，称为 MMOEA/D。首先，我们设计了一种基于标量函数的种群分配（SFPA）方法来将种群中的个体分配到合适的子种群中，以避免随机分配带来的资源损耗。其次，提出了一种基于动态小生境距离的精英再生（DNDER）模型来解决基于分解的多模多目标算法收敛速度不理想的问题。之后，我们设计了一种基于 超距离的多非支配层（UMNL）的最终种群选择来筛选最后的优质解集。最后，提出了一种新的针对多模多目标算法的综合评价指标。

报告题目二：差分进化算法的收敛性和多样性平衡策略的研究

报告人：杨冠雄

报告简介：目前，DE算法已经广泛应用在求解各类优化问题上。然而，DE算法也存在早熟收敛和搜索停滞等缺陷，限制了其优化能力和应用范围，特别是应用于求解动态优化问题，迫切需要加以研究和改进。而解决DE算法的缺陷在于如何有效平衡算法的收敛性和多样性，针对这个问题,大多数改进的DE算法都是结合侧重收敛性的策略和侧重多样性的策略，或者直接使用能平衡收敛性和多样性的策略。首先，两种侧重不同策略的有效结合是十分困难的，在全局倾向探索时必然减少全局的开发能力，在全局倾向开发时必然减少全局的探索能力。其次，直接使用能平衡收敛性和多样性的策略在求解更为复杂的问题时，要想得到更好的解需要融合过多策略从而占用更多的计算资源，而为了避免浪费计算资源采用单一策略可能并没有好的表现。因此，考虑在有限计算资源情况下，如何有效结合两种侧重不同的策略和选择平衡策略的多少，从而有效平衡算法的收敛性和多样性是值得研究的。我们提出一种从局部到全局的思想去解决收敛性和多样性之间的平衡问题，从局部去倾向探索或开发并不会影响全局，再通过局部探索和开发之间互相学习信息达到全局的平衡，从这种思想得到基于双层结构的平衡变异策略刚好能够不占用过多资源，且能有效解决这个问题。

报告题目三：遗传编程方法的研究及其在图像分类中的应用

报告人：张智强

报告简介：图像分类是计算机视觉领域中的一项重要任务，它广泛的应用于各类场景，如遥感、医疗诊断、生物识别和自动驾驶。然而，在图像获取、存储和传输的过程中，图像的质量可能会下降。例如，使用监控摄像头或传感器可能会获得模糊、带有噪声的低质量图像，这使得分类任务变得困难。GP是一种进化计算（EC）技术，通过预定义的框架在进化过程搜索最佳图像特征提取方案。GP可以为简单的图像分类任务找到浅/简单方案，为困难任务找到深/复杂方案。目前，现有的GP方法在进行特征学习时，只能将生成的局部特征或全局特征的一类输入分类算法，这样的简单特征对于复杂图像集分类效果不佳。此外，在当前的GP程序中，大多数的GP方法在进化后期个体的规模不仅庞大，而且容易发生个体适应值停滞的现象，从而造成无意义的资源浪费。所以，本文的目的是开发一种新的基于GP的方法，设计一种新的程序框架，提取更有效的特征并且加权融合得到更好的分类精度。此外，应对后期个体停滞现象，提出了一种新的基于种群适应度的选择策略，它将解决后期的资源浪费问题。

报告题目四：面向大规模多目标优化问题的权重优化框架研究

报告人：江代晋

报告简介：科学研究和工程实践中优化问题是最常见的问题之一，当目标大于2个以上时，该问题称为多目标问题，多目标问题的显著特点是目标之间是相制衡、相互约束的。而大规模多目标问题是指决策变量个数在100个以上，该类问题维度较高，计算代价大，传统的进化算法不能有效解决。因此，找寻一种更加适合大规模多目标问题的解决思路是十分有必要的。问题转换方法中的权重优化框架（WOF）是解决该问题优秀的方法之一。权重优化框架主要思路是通过分组策略将众多的决策变量分成小组，并且为每组决策变量赋子对应的权重值。权重值和原决策变量结合生成新的决策变量，通过优化权重变量达到优化决策变量的目的。权重向量的维度小于决策变量的维度，这样就降低了问题的解决难度。该方法将变量的优化直接转换成权重向量的优化，通过评估解在评价指标上的表现来区分解的好坏。这样可以节省较多的函数评估次数用于后面的优化过程。但是在优化方面具有单一性，改变决策变量的程度有限，不能较好地保证产生的新决策变量是有效的，对于问题的优化力度有限。而通过粒子群分层学习策略、基于中心线对称策略和改进的问题转化函数，能够将产生的决策变量更好地分布在目标空间中，从而平衡多样性和收敛性。

报告题目五：求解拐点多目标问题的双策略差分演化算法的研究

报告人：李诗明

报告简介：差分演化算法已经被证明能够有效解决多目标优化问题。通常，其求解结果是由上百个均匀分布的解组成的帕累托前沿。对决策者而言，并不需要上述所有解。过多的解会对没有先验知识的决策者造成困扰，并且在高维优化问题的搜索过程将消耗大量计算资源。因此，仅搜索各个优化目标上相较最突出的代表性解，可以将求解结果精练到个位数，这种代表性解被称为拐点。为搜索拐点，本文提出了一种结合先验方法和后验方法的双策略拐点导向差分演化算法。算法的优化过程分为拐点探索阶段和拐点开发阶段。拐点探索阶段设计了一种随机导向跨代差分突变算子和基于α支配的环境选择；拐点开发阶段设计了一种拐点导向跨代差分突变算子和基于拐点导向支配的环境选择。并结合了一种基于曼哈顿距离的拐点定义方法，将其用于临界层个体的选择和参考向量更新策略。

场次二、

时间：2023年3月20日（星期一）9:00-12:00

地点：beat365604教室

报告题目一：利用卷积和递归神经网络通过序列和本体表示改进circRNA-疾病关联预测算法研究

报告人：李春灵

报告简介：新的研究表明，环状RNA（circRNAs）广泛参与人类疾病的进展。由于其稳定的特殊结构，circRNAs是有前途的疾病诊断和预后生物标志物。然而，circRNA与疾病相关性的实验验证费用昂贵，且仅限于小规模。预测潜在circRNA与疾病关联的有效计算方法被视为当务之急。尽管已经提出了几种模型，但过度依赖已知的关联和缺乏生物功能特征，使得精确预测仍然具有挑战性。本报告将介绍一种基于序列和本体表示的预测CircRNA与疾病关联的方法，其使用卷积和递归神经网络。对于circRNA序列，用连续的k-mers对其进行编码，获得k-mers的低维向量，用1D CNN提取其局部特征向量，并利用双向长短记忆学习其长期依赖性。对于疾病，将疾病本体序列化为包含本体层次的句子，获得疾病本体术语的低维向量，并获得术语的依赖性在上述步骤之后，得到了circRNAs和疾病的高质量表示，这些表示有助于改进预测。

报告题目二：基于注意力机制的的scATAC建模的研究

报告人：周伟豪

报告简介：atacseq是一种可以用来研究基因调控和转录组结构的变化，从而揭示基因转录的活性。它比其他类型的序列数据更加灵活，可以提供更多的信息，如基因的活性水平、转录因子的结合位点和基因组结构的变化。同时他也是一种利用DNA转座酶结合高通量测序技术，研究染色体的可及性的方法。高通量测序技术得出的数据，用于研究细胞内的转录组结构和功能。

类似的测序技术还有ChiP-Seq、MNase-Seq、DNase-Seq、FAIRE-Seq等，与以上方法对比，ATAC-seq是用Tn5转座酶，操作起来也更加简单，重复性好，而且最重要的一点是实验只需要很少的细胞/组织量，出来的信号也更加漂亮，所以ATAC-seq目前是研究染色质开放性首选的技术方法之一。但是通过ATAC-Seq获取的数据同样拥有其他数据的一些特性，比如说高维性、稀疏性，所以基于ATAC-Seq数据的建模一直是研究者的关注点之一。ATAC-Seq建模的好坏一般通过上游分析，例如聚类与多组细胞状态的表示等的结果进行判别。同时由于atacseq本身具有的特性，我将讲述该数据类型如何使用注意力机制使得建模结果更为精准与高效。

报告题目三：锚点优化的张量分解技术

报告人：刘名扬

报告简介：张量分解是矩阵分解的高阶泛化，它在应用中有三个主要用途，即降维处理、缺失数据填补或稀疏数据填补和隐性关系挖掘。在近年来的研究中，锚点作为一项可以大幅简化计算量的技术被引入多组学研究，进行提前的锚点学习有助于程序适应更大规模的数据，这也帮助现在的多组学聚类算法获得了更好的计算效率。

报告题目四：基于深度学习的多组学融合用于药物的反应预测

报告人：廖海波

报告简介：精准肿瘤学是利用基因组数据为个别癌症患者量身定做治疗方法。然而，对癌症治疗(化疗或靶向药物)的反应是一种复杂的表型，往往取决于多种因素，特别是患者的基因组特征。目前，只有11%的接受精准肿瘤学治疗的患者可以进行临床试验，只有5%的患者受益于精准肿瘤学。从历史上看，基因表达被证明是预测药物反应的最具信息量的数据。最近的证据表明，整合额外的组学可以提高预测的准确性，结合临床数据集的多组学方法可以提高药物反应预测的临床相关性。因此，一种基于深度神经网络的多组学后期整合方法被提出来用于药物反应预测。该方法

以体细胞突变、拷贝数畸变和基因表达数据为输入，通过整合这些数据进行药物反应预测。

场次三、

时间：2023年3月20日（星期一）14:00-16:00

地点：beat365一楼报告厅

报告题目一：基于异步联邦学习的内容流行度预测缓存方案

报告人：游玲
报告简介：智能驾驶交通系统中车辆环境复杂且变化迅速，请求数据激增，内容成功获得率低，如何设计缓存方案以满足车辆用户对通信质量的高要求已成为关键技术。针对如何在保护无人驾驶车辆隐私安全的同时，保证缓存内容的新鲜时效性这个问题，介绍一种基于异步联邦学习的内容流行度预测缓存方案。从多个角度对比所提出方案的优劣性，并对下一步发展进行期望。

报告题目二：知识表示学习进展研究
报告人：李庆华
报告简介：知识图谱通常以网络的形式组织知识，网络中每个节点代表实体，边代表实体间关系，因此大部分知识往往可以用三元组来表示。然而基于网络形式的知识表示存在一些问题：一是计算效率问题，计算实体间的语义关系或推理关系时，往往需要设计专用的图算法加以实现，可移植性差，计算效率低；二是数据稀疏问题，大规模知识库通常与其他大规模数据集相似，也遵守长尾分布，存在部分罕见实体和关系只有极少的知识或路径涉及它们，在计算其语义或推理关系时往往准确率极低。使用知识表示学习将实体和关系表征为稠密低维向量可以在低维空间中高效计算实体和关系的语义联系，有效解决数据稀疏问题，使知识获取、融合和推理的性能得到显著提升。

报告题目三：用于无线边缘网络中自适应直播流的通信变压器深度强化学习算法研究
报告人：龙泉剑
报告简介：新兴的移动边缘计算 (MEC) 技术最近已被应用于提高网络服务的体验质量 (QoE)，例如实时视频流，报告主要介绍无线边缘网络中的能量感知自适应直播流媒体方案。特别是，优化目标是设计一种联合上行链路传输和边缘转码算法，最大限度地提高视频跟随者的 QoE，同时最大限度地减少视频流媒体的能耗，问题表述为马尔可夫决策过程 (MDP)，并提出了一个名为 SACCT 的基于深度强化学习 (DRL) 的框架，以确定流媒体的编码比特率、上传功率以及边缘转码比特率和频率。将 MDP 问题分解为帧间和帧内问题，以解决由连续-离散混合动作空间、时变状态和动作空间以及未知网络变化引起的关键设计挑战。

场次四、

时间：2023年3月20日（星期一）21:00-22:00

地点：beat365605教室

报告题目一：移动群智感知基于DBSO的隐私保护任务分配研究

报告人：汤靓

报告简介：移动群智感知是一种结合众包思想和移动设备感知能力新的数据收集模式，通过用户的移动设备形成交互式的感知网络，并将感知任务发布给网络中的个体或群体来完成。我们的目的主要将一种新颖的智能算法离散天牛须粒子群，与传统的贪婪、PSO等算法在移动群智感知任务分配领域进行比较。同时为防止隐私泄露，采用了隐私保护的方式为平台使用者保障个人信息的安全。

报告题目二：基于本地化差分隐私的用户招募

报告人：陈嘉元

报告简介：在移动群智感知中，平台通常需要根据用户的位置和信誉度来选择一部分用户来完成任务。这就要求用户在被选择阶段就要上传自己的位置，如果上传位置的用户多次没有被选中，那么该用户可能会对平台丧失信心而离开平台。在本文中，我们提出了一个重点保护未被选中用户位置隐私的任务分配方案，可以保护未参与用户的位置隐私。该方案先通过本地化差分隐私机制收集用户分布情况，根据用户分布和任务分布确定不同区域的任务报酬系数，用户根据自己的任务报酬，选择是否继续参与任务，继续参与任务的用户使用平面拉普拉斯上传位置，平台根据用户上传隐私保护后的位置给用户分配合适的任务。

报告题目三：基于布谷鸟粒子群优化的云环境多目标优化任务调度

报告人：张思远

报告简介：在云计算中，对不断变化的资源提出了不同的需求。任务调度在云计算环境中扮演着非常重要的角色，该调度过程需要将任务调度到虚拟机，同时减少制造时间和成本。任务调度问题属于NP难范畴。高效的调度方法使云计算服务更好更快。通常，优化算法用于解决云中的调度问题。因此，本研究结合了两种优化算法，即布谷鸟搜索（CS）和粒子群优化（PSO）。研究的主要目的是减少制造时间、成本和期限违规率。

报告题目四：基于多目标优化的重叠联盟博弈群智感知任务分配

报告人：刘潇

报告简介：随着传感器技术和移动服务的快速发展，移动人群感知（MCS）能够利用用户群体携带的移动终端设备来感知数据并完成大规模、分布式的任务，因此任务分配是MCS的重要环节。重叠联盟博弈能够模拟多任务条件下MCS用户与平台之间的博弈过程，从而保证在平台资源配置最优的情况下把任务分配给用户。我们通过多目标粒子群算法优化重叠联盟博弈中的任务价格倾向度和任务完成倾向度参数，并通过优化后的重叠联盟博弈获得MCS最优任务分配，能够保证得到优良的平台收益、用户平均收益以及任务完成率。

报告题目五：基于弱监督学习的众包数据质量检验

报告人：韩维庚

报告简介：随着人工智能技术的发展，科研人员和企业对指定数据的需求急剧增大，对数据真实性的要求也与日俱增。众包则正好为此问题提供了有效的解决途径。参与者通过提交指定的数据获取报酬，为了获取更多报酬参与者可能会上传非指定数据。同时设备、外界环境的影响等也会影响到数据的质量。如何从海量的上传数据中筛选出正确的数据是一个值得研究的问题。我们通过半监督学习的方法在无需先验数据集的情况下训练模型对收集的数据进行质量检验。

报告题目六：社交网络中基于隐私保护的多目标工人招募
报告人：陆盛林
报告简介：随着移动智能设备的普及，移动人群感知（MCS）逐渐受到研究界的关注。工人招募是MCS系统中的一个关键研究问题，平台为发布的感知任务招募合适工人。我们研究在社交网络中位置隐私保护的多目标工人招募问题。具体说提出了随机加权贪婪快速非支配排序遗传算法在保护工人隐私的前提下利用社交网络来进行工人招募，来最大化工人和平台效用。

场次五、

时间：2023年3月20日（星期一）19:00-20:30

地点：beat365508教室

报告题目一：医学图像分割中的多模态融合

报告人：余为民

报告简介：多模态被广泛应用于医学成像，因为它可以提供关于一个目标（肿瘤、器官或组织）的多种信息。使用多模态的分割包括融合的多信息来改进分割。近年来，基于深度学习的方法在图像分类、分割、目标检测和跟踪任务方面取得了最先进的性能。由于深度学习在大量数据上的自学习和泛化能力，近年来在多模态医学图像分割方面也获得了极大的兴趣。

报告题目二：肝脏CT图像血管分割

报告人：叶炎鑫

报告简介：由于肝脏分割难度大，效果差，报告主要将传统的卷积神经网络CNN与循环卷积网络RNN进行结合，进行肝脏血管分割。通过利用RNN捕获肝脏CT图像中血管的连续性，指导CNN网络进行分割，通过一些常用的医学分割指标来评价分割精度。

报告题目三：对抗生成模型的医学影像合成

报告人：萧芊牧

报告简介：对抗生成模型以及众多衍生模型在医学影像领域的应用方向，包括影像合成，模态转换，数据增强，超分辨率和加速成像等等。

报告题目：轻量级人体姿态估计算法

报告人：闫忠心

报告简介：为追求更准确的关键点检测结果，现有许多有关人体姿态估计研究多采用复杂的深度网络架构构建模型，忽略了模型的实际部署成本，导致模型在资源受限的边缘设备上很难实际部署，缺乏实用性。为了解决上述问题，我们设计了一种融合自我知识蒸馏和卷积压缩的轻量化人体姿态估计模型。该模型首先使用改进的 EfficientNet 网络构建一个编码器，提取图像的多尺度特征；其次，基于深度可分离转置卷积，设计一种轻量化上采样解码器，估计人体姿态；最后，采用轻量化多尺度双向融合与知识自我蒸馏方法，进一步提高人体姿态估计的准确性。

场次六、

时间：2023年3月20日（星期一）19:30-21:00

地点：beat365601教室

报告题目一:分布式优化热点研究

报告人:黄镘潼

报告简介:分布式优化早已成为研究热点，本次报告旨在介绍分布式优化的发展历程和国内外研究现状。为了实现保持所有节点状态一致和共同找到原分布式优化问题的解，在设计算法时，通常需要设计一致项协议并且与集中式优化算法结合，但寻求一致所有节点状态一致的方向与梯度方向相冲突，为了克服这种冲突一个可行的方案是采用衰减步长，但是其会导致收敛速度变慢。本报告讨论克服上述缺陷的分布式优化算法，并对更复杂的分布式优化算法设计进行可靠的指导。

报告题目二：加权平衡图上的连续时间的分布式凸优化

报告人：覃海华

报告简介：首先介绍基于有向图的凸函数连续时间分布式优化的概念以及适用场景。在基于动力学的一致性问题上，无向图的连续时间优化问题在转化为有向图时会有无法收敛的情况。本次汇报的主要内容就是介绍一个推论，并通过将不变性和强制性的概念与图矩阵的正定性特性结合来确定推论的正确性，即在保证任何强连通并且加权平衡的有向图上，一定能找到一个目标函数收敛到具有全局Lipschitz梯度的凸可微函数的之和的最小化集上。

报告题目三：分布式伪凸优化

报告人：王思鉴

报告简介：首先介绍分布式优化相关背景和课题来源。在基于集中式优化的基础上，汇报当前分布式优化的研究进度。主要研究为分布式优化模型的证明，在原有的凸函数优化上进一步探索伪凸优化的收敛性，根据伪凸函数和问题建立的神经网络模型是否能证明可行。

报告题目四：非凸分布式优化的研究

报告人：周顺

报告简介：首先介绍非凸分布式优化的研究背景以及研究的意义。目前在分布式优化中大多数的研究是以凸函数为目标函数，但是现实存在的基于非凸函数的问题是常见的，并且目前以非凸函数作为目标函数的分布式优化研究成果比较少。报告详细介绍了几种目前比较新的基于非凸函数的分布式优化算法，并且对其算法进行分析和总结。

报告题目五：分布式优化问题模型的构建方法

报告人：李浩宇

报告简介：目前分布式优化问题已经成为研究热点。与集中式的神经网络模型相比，分布式还需要解决一致性等相关问题，报告分享了一些分布式优化相关的模型并给出在构建模型时常用的方法以及它们的特点，常见的方法有：罚函数法、投影法、拉格朗日乘子法等等。

报告题目六：约束分布式模糊凸优化的递归神经网络方法

报告人：林日新

报告简介：分布式优化理论方法日益发展，但某些特定分布式优化场景构建的问题模型，如一些通常以模糊的凸目标函数和约束形式存在的优化问题研究较少。本次报告主要总结一类具有约束的分布式模糊凸优化问题求解方法，其中目标函数是一组局部模糊凸目标函数的和，约束包括偏序关系和闭凸集约束，为此提出了一种利用罚函数基于递归神经网络的模型算法，并且该分布式模糊优化问题在最优解上达成共识。

报告题目七：抗干扰以及抗噪声的分布式优化方法

报告人：黄庆洲

报告简介：多智能体系统分布式优化近年来已成为热门研究问题。多智能体系统往往受各类内外部干扰的影响，如何使系统获得强壮的抗干扰以及抗噪声性能和快速收敛性能是分布式优化研究的重点和难点问题，包括介绍多类抗干扰以及抗噪声的分布式优化方法。所提方法有效提升了闭环系统的动、稳态性能，适用于多类系统的分布式优化问题。

场次七、

时间：2023年3月22日（星期三）9:00-12:00

地点：beat365604教室

报告题目一：基于分解的多模多目标进化算法的研究

报告人：张珅

报告简介：在多目标优化问题（MOPs）中，决策空间只有一个帕累托最优解集（PS）映射到目标空间中的真实帕累托前沿（PF）。然而在更有挑战的多模多目标优化问题（MMOPs）中，决策空间中有多个帕累托解集映射到目标空间中的同一个PF。传统的多目标优化算法在多模多目标优化问题上表现不佳。近年来研究者们提出许多多模多目标进化算法（MMEAs），然而在许多复杂的多模多目标测试问题上，大多数现有的MMEAs在收敛到PF的同时寻找到决策空间中的多个PSs的性能并不理想。为了解决这些问题，提出了一种新的基于分解的多模多目标进化算法，称为 MMOEA/D。首先，我们设计了一种基于标量函数的种群分配（SFPA）方法来将种群中的个体分配到合适的子种群中，以避免随机分配带来的资源损耗。其次，提出了一种基于动态小生境距离的精英再生（DNDER）模型来解决基于分解的多模多目标算法收敛速度不理想的问题。之后，我们设计了一种基于 超距离的多非支配层（UMNL）的最终种群选择来筛选最后的优质解集。最后，提出了一种新的针对多模多目标算法的综合评价指标。

报告题目二：差分进化算法的收敛性和多样性平衡策略的研究

报告人：杨冠雄

报告简介：目前，DE算法已经广泛应用在求解各类优化问题上。然而，DE算法也存在早熟收敛和搜索停滞等缺陷，限制了其优化能力和应用范围，特别是应用于求解动态优化问题，迫切需要加以研究和改进。而解决DE算法的缺陷在于如何有效平衡算法的收敛性和多样性，针对这个问题,大多数改进的DE算法都是结合侧重收敛性的策略和侧重多样性的策略，或者直接使用能平衡收敛性和多样性的策略。首先，两种侧重不同策略的有效结合是十分困难的，在全局倾向探索时必然减少全局的开发能力，在全局倾向开发时必然减少全局的探索能力。其次，直接使用能平衡收敛性和多样性的策略在求解更为复杂的问题时，要想得到更好的解需要融合过多策略从而占用更多的计算资源，而为了避免浪费计算资源采用单一策略可能并没有好的表现。因此，考虑在有限计算资源情况下，如何有效结合两种侧重不同的策略和选择平衡策略的多少，从而有效平衡算法的收敛性和多样性是值得研究的。我们提出一种从局部到全局的思想去解决收敛性和多样性之间的平衡问题，从局部去倾向探索或开发并不会影响全局，再通过局部探索和开发之间互相学习信息达到全局的平衡，从这种思想得到基于双层结构的平衡变异策略刚好能够不占用过多资源，且能有效解决这个问题。

报告题目三：遗传编程方法的研究及其在图像分类中的应用

报告人：张智强

报告简介：图像分类是计算机视觉领域中的一项重要任务，它广泛的应用于各类场景，如遥感、医疗诊断、生物识别和自动驾驶。然而，在图像获取、存储和传输的过程中，图像的质量可能会下降。例如，使用监控摄像头或传感器可能会获得模糊、带有噪声的低质量图像，这使得分类任务变得困难。GP是一种进化计算（EC）技术，通过预定义的框架在进化过程搜索最佳图像特征提取方案。GP可以为简单的图像分类任务找到浅/简单方案，为困难任务找到深/复杂方案。目前，现有的GP方法在进行特征学习时，只能将生成的局部特征或全局特征的一类输入分类算法，这样的简单特征对于复杂图像集分类效果不佳。此外，在当前的GP程序中，大多数的GP方法在进化后期个体的规模不仅庞大，而且容易发生个体适应值停滞的现象，从而造成无意义的资源浪费。所以，本文的目的是开发一种新的基于GP的方法，设计一种新的程序框架，提取更有效的特征并且加权融合得到更好的分类精度。此外，应对后期个体停滞现象，提出了一种新的基于种群适应度的选择策略，它将解决后期的资源浪费问题。

报告题目四：面向大规模多目标优化问题的权重优化框架研究

报告人：江代晋

报告简介：科学研究和工程实践中优化问题是最常见的问题之一，当目标大于2个以上时，该问题称为多目标问题，多目标问题的显著特点是目标之间是相制衡、相互约束的。而大规模多目标问题是指决策变量个数在100个以上，该类问题维度较高，计算代价大，传统的进化算法不能有效解决。因此，找寻一种更加适合大规模多目标问题的解决思路是十分有必要的。问题转换方法中的权重优化框架（WOF）是解决该问题优秀的方法之一。权重优化框架主要思路是通过分组策略将众多的决策变量分成小组，并且为每组决策变量赋子对应的权重值。权重值和原决策变量结合生成新的决策变量，通过优化权重变量达到优化决策变量的目的。权重向量的维度小于决策变量的维度，这样就降低了问题的解决难度。该方法将变量的优化直接转换成权重向量的优化，通过评估解在评价指标上的表现来区分解的好坏。这样可以节省较多的函数评估次数用于后面的优化过程。但是在优化方面具有单一性，改变决策变量的程度有限，不能较好地保证产生的新决策变量是有效的，对于问题的优化力度有限。而通过粒子群分层学习策略、基于中心线对称策略和改进的问题转化函数，能够将产生的决策变量更好地分布在目标空间中，从而平衡多样性和收敛性。

报告题目五：求解拐点多目标问题的双策略差分演化算法的研究

报告人：李诗明

报告简介：差分演化算法已经被证明能够有效解决多目标优化问题。通常，其求解结果是由上百个均匀分布的解组成的帕累托前沿。对决策者而言，并不需要上述所有解。过多的解会对没有先验知识的决策者造成困扰，并且在高维优化问题的搜索过程将消耗大量计算资源。因此，仅搜索各个优化目标上相较最突出的代表性解，可以将求解结果精练到个位数，这种代表性解被称为拐点。为搜索拐点，本文提出了一种结合先验方法和后验方法的双策略拐点导向差分演化算法。算法的优化过程分为拐点探索阶段和拐点开发阶段。拐点探索阶段设计了一种随机导向跨代差分突变算子和基于α支配的环境选择；拐点开发阶段设计了一种拐点导向跨代差分突变算子和基于拐点导向支配的环境选择。并结合了一种基于曼哈顿距离的拐点定义方法，将其用于临界层个体的选择和参考向量更新策略。

场次八、

时间：2023年3月24日（星期五）16:30-18:30

地点：beat365509

报告题目一：基于FPGA的雷达接收机研究

报告人：杨盛亿

报告简介：随着现代信息化战争的发展，集雷达、电子战、通信等多种功能于一身的一体化雷达是雷达发展的必然趋势。作为雷达系统的重要组成部分——雷达接收机，其性能优劣会直接影响雷达系统的整体性能。随着微波集成电路、高速数字信号处理器、高速A／D变换器及专用数字器件的飞速发展与广泛应用，大大加快了雷达系统的数字化进程。而FPGA使数字电路系统设计趋于小型化、集成化，第三方软件工具功能的不断完善，用户只需要借助计算机完成电路的设计、仿真和验证，大大地缩短系统设计周期，减少设计费用，降低设计风险，因此，FPGA在雷达数字信号处理领域的应用越来越广泛。同时，相对传统的DSP芯片实现数字信号处理的方式，包含着几百个MAC单元的并行处理结构的FPGA在高速性能上远远领先于采用串行结构的DSP，因此研制基FPGA的雷达数字接收机具有重要意义。

报告题目二：基于深度学习的手势识别研究

报告人：张超

报告简介：作为人机交互技术研宄领域的热点之一，手势识别得到了国内外研究学者的深入研究，并且在虚拟现实，人工智能等方面也得到了广泛的应用。根据获取手部姿态方式不同分为基于视觉传感器的手势识别和基于接触式传感器的手势识别。随着传感器的普及应用，基于接触式传感器的手势识别得到了飞速发展，特别是基于数据手套的手势识别，数据手套通过使用多个传感器可以更直观的获取手部姿态的三维空间信息，并且不受周边环境的约束，与基于视觉传感器的手势识别相比，基于数据手套的手势识别的研究和应用价值更高。

报告题目三：Thinking about blockchain for research

报告人：方舟

报告简介：区块链是一种分布式账本技术，最初是为比特币这种数字货币而设计的。区块链通过去中心化的方式，使得所有的节点都能够共享同一个账本，且无需任何中介机构来验证交易的合法性，从而保证了交易的安全性和可靠性。近年来，随着人们对于去中心化、安全、透明和不可篡改的需求不断增加，区块链技术得到了广泛的应用和研究。

报告题目四：深紫外超快激光系统研究

报告人：余泓霖

报告简介：266 nm 连续波单频紫外激光具有波长短、能量分布集中、加工分辨率高等优点，而且紫外激光在某些特殊材料上具有更高的吸收系数，使其在科学研究和医疗等领域具有广泛的应用前景。尤其近几年来，高功率连续波单频紫外激光器在光学数据储存、光谱分析、光通讯、大气污染检测、高分辨率光谱检测、光印刷光刻等应用领域不断拓展，引起了人们的广泛关注。全固态紫外激光器体积小、结构紧凑，具有稳定性高、光束质量好、线宽窄、可靠性高等优点，使之更加广泛地应用于科研、产品制造和工业加工等领域中。