科创中国

面向高效处理海量、高维、动态数据的迫切需求，以演化计算和神经网络为代表的 计算智能方法成为人工智能研究的前沿。我们针对计算智能中全局优化与局部学习的协 作、知识的高效获取与利用难题，在基于演化计算和神经网络的协作学习与优化理论方法 上取得了关键性突破，并解决了海量、多时相雷达影像变化检测中的关键学习与优化问题。 主要业绩如下：(1) 演化计算和神经网络的协作学习与优化理论：分析模拟了演化计算中个体学习 与群体学习的多尺度竞争与协作机制，揭示了利用局部统计信息指导全局优化是提高演化 计算寻优能力的关键，证明了个体学习和群体学习是提高演化优化收敛速度的充分条件， 建立了基于演化计算和神经网络的协作学习与优化理论，通过个体和群体的协作学习，高 效获取知识指导搜索过程，解决了演化计算中全局与局部搜索的自适应平衡难题，证明了 协作学习与优化的神经网络在动态环境下具有自适应泛化能力。被演化计算的重要开创 者、IEEE Pioneer Award获得者Kenneth De Jong评价为演化计算的基本模型。(2) 面向海量、高维、动态数据的协作学习与优化算法：在协作学习与优化框架下, 针对高维非凸优化问题，提出了基于个体和群体协作学习的演化优化算法，实现了对十万 维非凸函数的高效优化；提出了针对海量数据的演化聚类算法，高效求解千万节点的网络 多分辨率聚类难题；提出了面向动态不确定环境的神经网络协作学习算法，解决了时变神 经网络建模与全局稳定性难题。Philip Chen ( IEEE Fellow )在十余篇论文中正面引用，认 为该工作是“首次”，并多次采用该项目提出的定义和定理作为其工作的基础。(3) 海量、多时相雷达影像变化检测模型及学习优化方法：分析揭示了雷达微波成 像导致多时相雷达影像变化区域特征混叠的频域特性，建立了多时相雷达影像变化检测的 多目标优化模型，提出了基于协作学习与优化的动态目标差异特征学习和演化聚类方法， 突破了从海量、多时相雷达影像中同时检测区域变化和微小目标变化的关键难题，显著提 高了检测正确率，被William J. Emery （IEEE Fellow ）评价为变化检测的State-of-the-art 及基准对比方法