徐华 ,博士,2003年毕业于清华大学计算机科学与技术系,现为清华大学计算机科学与技术系长聘副教授,博士生导师。从事多模志智能信息处理、智能优化和共融机器人智能控制等研究工作。担任爱思唯尔(Elsevier)开放期刊 Intelligent Systems with Applications 首任主编,权威期刊 Expert Systems with Applications 副主编。完成国家科技重大专项课题3项,国家自然科学基金项目4项,国家973项目二级课题2项,国家863项目(课题)5项,国际500强企业(宝洁、西门子、安捷伦等)合作项目13项。目前已在本专业领域权威国际期刊和AAAI、ACL、ACM MM等顶级会议上发表学术论文140余篇。获得国家科技进步奖二等奖1项,北京市科学技术奖一等奖1项,北京市科学技术奖二等奖1项,北京市科学技术奖三等奖1项,重庆市科技进步奖三等奖1项,中国物流与采购联合会科技发明一等奖1项,中国物流与采购联合会科学技术奖一等奖1项。作为主讲教师,主讲清华大学全校性“数据挖掘:方法与应用”“工业数据挖掘与分析”“互联网产品设计”等课程。主持编写教材和中英文学术专著10本,其中《演化机器学习》是国内首部演化学习领域的学术专著;《面向共融机器人的自然交互——人机对话意图理解》《面向共融机器人的自然交互——多模态交互信息的情感分析》是国内智能机器人自然交互领域第一套“面向共融机器人的自然交互”系列学术专著;所编写的《数据挖掘:方法与应用》《数据挖掘:方法与应用——应用案例》已经被国内众多高校选用为配套教材,并获得清华大学优秀教材(2020年)二等奖。
王洪燕 ,博士,2023年6月毕业于清华大学计算机科学与技术系。研究领域包括多目标优化、代理模型、贝叶斯优化、高斯过程等。迄今为止,以第一作者身份在 IEEE TITS、Information Sciences、Intelligent Systems with Applications 、ACM GECCO等学术期刊和会议发表论文5篇,以合作者身份在ICML 2023和AAAI 2023国际会议发表论文2篇。曾担任 Soft Computing、Expert Systems with Applications、IEEE Transactions on Emerging Topics in Computational Intelligence、Intelligent Systems with Applications 、AAAI 2021等期刊和会议审稿人。
袁源 ,博士,教授,2015年博士毕业于清华大学计算机科学与技术系,获北京市优秀毕业生。2014—2015年在英国伯明翰大学做访问研究,2015—2021年先后在新加坡南洋理工大学和美国密歇根州立大学从事博士后研究工作。2020年入选国家海外高层次青年人才项目。2021年11月加入北京航空航天大学计算机学院。研究领域包括计算智能、机器学习、智能软件工程、多目标优化等。迄今为止,以第一作者身份在 IEEE TSE、IEEE TEVC、IEEE TASE、ACM TOSEM 、ACM GECCO等国际顶级学术期刊和会议发表论文十余篇,谷歌学术总引用3000余次,作为项目骨干曾参与02科技重大专项子项目、国家自然科学基金面上项目等,获得中国物流与采购联合会科技发明一等奖。曾担任 IEEE TITS、IEEETETCI、Memetic Computing 等多个权威国际期刊的客座编辑,多次担任ACM GECCO、IEEE CEC、ICSE、IJCAI等知名国际会议的专题分会主席和程序委员会委员,长期担任人工智能领域多个国际顶级期刊的审稿人。
图1.3 多目标优化问题中的非支配解、被支配解和帕累托前沿示意图
图2.1 贝叶斯优化示意图:最大化具有一维连续输入的目标函数 f
图2.3 EI n ( x )在 Δ n ( x )和后验标准差 σ n ( x )的等高线
图3.2 多保真度优化、迁移/元学习、多任务优化和多目标优化之间的相似性和差异
图4.3 各种不同衰减函数之间的区别
图4.5 ParEGO、MOEA/D-EGO和Adaptive Batch-ParEGO在UF6和UF7上得到的最终非支配解
图4.6 ParEGO和MOEA/D-EGO在超参调优任务上的表现性能
图4.7 Adaptive Batch-ParEGO在超参调优任务上的表现性能
图5.2 ParEGO中的边界问题示例
图5.3 相关基线多目标贝叶斯优化方法的CPU计算时间性能
图5.4 ParEGO和Block-ParEGO在DTLZ问题上运行30次的IGD均值
图5.5 ParEGO和Block-ParEGO在DTLZ问题上运行30次的CPU计算时间均值
图5.6 基于增广切比雪夫函数的获取函数和 ∈ -贪心获取函数在DTLZ1-3上获得的200个最终候选解
图5.6 (续)
图5.7 基于增广切比雪夫函数的获取函数和 ∈ -贪心获取函数在DTLZ5-7上获得的200个最终候选解
图5.7 (续)
图5.8 d ={5,8,10}时,Block-MOBO在DTLZ1-3和DTLZ5-6上运行30次的IGD均值随迭代次数变化的趋势
图5.8 (续)
图6.1 可加单目标和可加双目标获取函数在 D =10维DTLZ1和DTLZ3上的最终目标空间
图7.1 相关基线方法在 D ={10,30,100}维DTLZ2问题上的HV值随函数评估次数的变化趋势图
图7.2 EI、UCB和EHVI在DTLZ2上HV值和候选解推荐时间(秒)随函数评估次数的变化趋势图
图7.3 EI、UCB和HVI在 D ={10,50}维DTLZ2上HV值随函数评估次数的变化趋势图
图8.3 带有偏好信息的汽车驾驶室设计问题的近似帕累托前沿和决策空间
图8.4 多目标贝叶斯优化方法在带有偏好信息的汽车驾驶室设计问题上的非支配解