郝進(jìn)考教授簡介：
現(xiàn)任法國昂熱大學(xué)（Université d'Angers）理學(xué)院計算機(jī)科學(xué)系特級教授（Professeur des Universités de Classe Exceptionnelle），2015年入選法國大學(xué)科學(xué)院院士（Senior Fellow de l'Institut Universitaire de France），曾擔(dān)任法國昂熱大學(xué)LERIA智能計算實驗室主任（2003年—2015年）。
他致力于研究高效優(yōu)化算法和智能計算方法，以求解大規(guī)模的組合優(yōu)化問題，并應(yīng)用于生物信息學(xué)、數(shù)據(jù)科學(xué)、移動通信，復(fù)雜網(wǎng)絡(luò)、交通運(yùn)輸?shù)阮I(lǐng)域；他在包括在本領(lǐng)域頂尖期刊IEEE Transactions on Evolutionary Computation、IEEE Transactions on Systems, Man, and Cybernetics: Systems、IEEE/ACM Transactions on Computational Biology and Bioinformatics、Evolutionary Computation、European Journal of Operational Research、INFORMS Journal on Computing、Information Sciences等專業(yè)期刊上發(fā)表論文超過230余篇，H指數(shù)（截至2019年6月）為48，引用次數(shù)超過8200余次（Google Scholar）。
講座內(nèi)容：
一、求解大規(guī)模組合優(yōu)化問題的元啟發(fā)式方法
組合優(yōu)化旨在有限的候選解決方案集中確定滿足最小化或最大化標(biāo)準(zhǔn)的特定解決方案。在一般情況下（NP難問題），組合優(yōu)化問題是非常困難的。除了經(jīng)典精確算法和近似方法之外，在過去的二十年中，基于元啟發(fā)式方法的近似算法已經(jīng)出現(xiàn)，作為克服組合問題的內(nèi)在復(fù)雜性的替代方法。在本次演講中，我們首先概述了典型的元啟發(fā)式方法。然后，我們提出一些應(yīng)用的例子，包括著名的NP難題（圖著色問題，多維背包問題，最大團(tuán)問題等等）和實際問題（無線電網(wǎng)絡(luò)中的頻率規(guī)劃和天線定位問題，衛(wèi)星攝影規(guī)劃問題，體育聯(lián)盟調(diào)度問題等等）。
Talk 1: Metaheuristics for large scale combinatorial optimization
Combinatorial optimization aims to determine among a finite set of candidate solutions a particular solution that satisfies a minimization or maximization criterion. Combinatorial optimization is difficult in the general case (NP-hard problems). In addition to classical exact and approximation methods, approximate approaches based on metaheuristics have emerged over the past twenty years as an alternative to overcome the intrinsic complexity of combinatorial problems. In this talk, we first offer an overview of the typical metaheuristic methods. We then present some examples of applications on well-known NP-difficult problems (coloring of graphs, multidimensional knapsack, maximum clique, etc.) and real problems (frequency planning and antenna positioning in radio networks, planning of satellite photography, sports league scheduling, etc.).
講座時間：2019年10月29日（周二）上午10:00—11:30
講座地點：犀浦校區(qū)X2511
二、基于學(xué)習(xí)和數(shù)據(jù)驅(qū)動的優(yōu)化方法：應(yīng)用實例
在本次講座中，我們提出了一些使用學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)來解決組合優(yōu)化問題的案例研究：用于圖著色的多維縮放和強(qiáng)化學(xué)習(xí)，用于具有最大多樣性的子集選擇的基于對立的學(xué)習(xí)，以及用于二次分配的頻繁模式。我們展示了如何有利地將學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)與優(yōu)化方法相結(jié)合，以獲得用于困難的組合優(yōu)化問題的高質(zhì)量解決方案。
Talk 2: Learning and data mining driven optimization for combinatorial problems: some case studies
In this talk we present some case studies of using learning and data mining techniques for solving combinatorial optimization problems: multidimensional scaling and reinforcement learning for graph coloring, opposition-based learning for subset selection with maximum diversity, and frequent patterns for quadratic assignment. We show how learning and data mining techniques can be advantageously combined with an optimization method to obtain high-quality solutions for difficult combinatorial optimization problems.
講座時間：2019年10月29日（周二）下午15:00—16:30
講座地點：犀浦校區(qū)X2511
