人工智能|IEEE Fellow姚新：在多目标动态优化问题中，演化计算仍有独特优势( 四 )

姚新在澳大利亚所结识的另一位人工智能华人先驱张成奇教授在南科大的办公室，便与他在同一栋楼。
在研究上，姚新喜欢聚焦于具体的问题，以实际问题来驱动学术研究。
1999年，姚新提出了具有开创性的快速进化编程（fast evolutionary programming，“FEP”）方法。
进化编程（EP）方法原先用于人工智能的问题研究，后被用于解决数字与组合优化问题。在解决多模态优化问题上，EP方法的优势之一是可以通过缓慢的收敛得到一个出色的近似优解。与经典的EP方法相比，姚新所提出的FEP方法擅长在一个大的领域进行搜索，对黑箱优化有优独特优势，后来被广泛应用于神经网络结构学习、最优路径规划、数字滤波器设计以及新材料的设计，单篇谷歌学术引用次数接近4000。

文章插图

论文地址：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.45.1830&rep=rep1&type=pdf
2000年，基于对约束条件处理的考虑，姚新与合作者又开发了一个随机排序方法，将传统的、看似复杂的惩罚函数与拉格朗日方程简化为简单的排序，在牺牲些许数学收敛性的情况下取得了很好的实际应用效果，是姚新在研究生涯中的一个阶段性成果。雷锋网

文章插图

论文地址：https://www.cs.bham.ac.uk/~xin/papers/published_tec_sep00_constraint.pdf
凭借在演化计算上的一系列开辟性成果，姚新在2003年当选 IEEE Fellow。
除了早期的两大重要成果，姚新还提到他在2006年将演化计算应用于撒盐车调度的项目。撒盐车的调度涉及到车辆数量、每辆车的吨位、调度范围等等，原属于运筹学的研究范围，但在实际的运行中，假设车队有11辆车，载重范围为2.5吨到9吨，重量不固定，那么传统的数学方法便无法假设一个数值来进行计算，也难以设计算法。雷锋网
「现实生活中的调度问题与书本上的非常不一样。首先路况是随时间变的，车辆行驶速度也不固定，车有可能抛锚坏了，等等。」姚新解释，「对于这类充满不确定性的优化问题，相对传统的数学或运筹学方法，演化计算是有优越性的。它能在复杂的动态环境中找到近似最优解。」
从这个项目开始，姚新一直致力于将演化计算用于在不确定性的环境中做动态优化。除此之外，他与团队着重于研究演化计算如何应用于多目标优化决策。
姚新设想，计算机系统应该是一个可以长期演化的系统：「我可以做初始化的设计，等初始化设计完成后，通过与环境交互，这个系统的软件与硬件应该会一直进化下去，（就像生物一样），在不同的环境中就会进化成不同的系统。」雷锋网
能够进化的系统，听起来天方夜谭，但在许多场景中是刚需。比如外太空设备。从地面发射信号到外太空，需要好几分钟，但在地面的遥控者无法预测这几分钟里所发生的事情。这时候，如果系统具备自适应、自演化的功能，就能处理未知的、不确定的环境。再比如无人区的基础设施维护，如果设备具有自适应功能，能够自动更新与重组，那么就可以免去人工检测的成本与风险。
问及系统自动进化的前景，姚新颇有自信地答道：「我觉得在不久的将来就可以部分实现，尤其是在软件层面。现在很多东西都是『软件可定义』，这实际上对演化计算是一个利好消息，就给我们一个发挥能力的基础设施，通过修改软件就能修改硬件的配置。」

3、CNCC分论坛：演化计算的下一代发展趋势
不可否认，目前演化计算在国内仍是一个小众方向。